اپلیکیشن اندرویدی فلش‌کارت آموزشی استفاده از Stan برای تحلیل‌های پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از Stan برای تحلیل‌های پیشرفته

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی بیزی و Stan
• 2. نصب و راه‌اندازی Stan و ابزارهای مرتبط
• 3. ساختار یک مدل Stan: بلوک‌های داده، پارامترها و مدل
• 4. توابع توزیع احتمال در Stan
• 5. تعریف توابع likelihood در Stan
• 6. تعریف priorها در Stan: انتخاب و تفسیر
• 7. نمونه‌گیری MCMC با Stan: الگوریتم‌های NUTS و HMC
• 8. ارزیابی همگرایی MCMC: R-hat، Effective Sample Size (ESS)
• 9. تشخیص مشکلات همگرایی و راه‌حل‌ها
• 10. پیش‌بینی پسین (Posterior Predictive Checks)
• 11. مدل‌های خطی تعمیم‌یافته (GLM) در Stan
• 12. مدل‌های رگرسیونی سلسله‌مراتبی (Hierarchical Regression) در Stan
• 13. مدل‌های چندسطحی (Multilevel Models) با Stan
• 14. مدل‌های تغییر شکل (Change Point Models) در Stan
• 15. مدل‌های بقا (Survival Analysis) در Stan
• 16. مدل‌های زمانی (Time Series Models) در Stan
• 17. مدل‌های مخفی مارکوف (Hidden Markov Models) در Stan
• 18. مدل‌سازی داده‌های گسسته با Stan
• 19. مدل‌سازی داده‌های شمارشی با Stan
• 20. مدل‌سازی داده‌های ترتیبی با Stan
• 21. مدل‌های مخلوط گاوسی (Gaussian Mixture Models) در Stan
• 22. مدل‌های بیزی غیرپارامتری با Stan
• 23. استفاده از Stan برای تحلیل‌های missing data
• 24. مدل‌سازی داده‌های چندمتغیره (Multivariate Data) با Stan
• 25. بهینه‌سازی مدل Stan: سرعت و کارایی
• 26. اعتبارسنجی مدل Stan و مقایسه مدل‌ها
• 27. استفاده از Stan با R و RStan
• 28. استفاده از Stan با Python و PyStan
• 29. خطایابی و رفع اشکال در مدل‌های Stan
• 30. مستندسازی و اشتراک‌گذاری مدل‌های Stan
• 31. کاربرد Stan در علوم زیستی
• 32. کاربرد Stan در علوم اجتماعی
• 33. کاربرد Stan در علوم مالی