اپلیکیشن اندرویدی فلش‌کارت آموزشی تنظیمات پیشرفته برای مدل‌های بیزی در Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته برای مدل‌های بیزی در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. آشنایی با ساختار فایل‌های Stan
• 2. متغیرهای تعریف‌شده در Stan: انواع و کاربردها
• 3. توابع داخلی Stan: ریاضی، آماری، و توابع احتمال
• 4. نوشتن توابع کاربری در Stan
• 5. بلوک‌های `data`, `parameters`, `transformed parameters`, `model`
• 6. تعریف توزیع‌های احتمالی در Stan
• 7. استفاده از توزیع‌های محدود (Constrained Distributions)
• 8. مدل‌های سلسله مراتبی (Hierarchical Models) در Stan
• 9. مدل‌های ترکیبی (Mixture Models) در Stan
• 10. استفاده از `arrays` و `matrices` در Stan
• 11. بهینه‌سازی کد Stan برای سرعت و پایداری
• 12. بررسی همگرایی زنجیره‌های MCMC: R-hat, Effective Sample Size, Traceplots
• 13. تشخیص مشکلات همگرایی و راهکارهای رفع آن‌ها
• 14. تنظیم پارامترهای نمونه‌گیری MCMC: `stepsize`, `target_accept`
• 15. استفاده از الگوریتم‌های نمونه‌گیری مختلف در Stan (NUTS, HMC, Fixed_step)
• 16. تنظیم مدل‌های پیچیده با استفاده از `funnel` و `dual averaging`
• 17. مدل‌سازی داده‌های سانسور شده (Censored Data) در Stan
• 18. مدل‌سازی داده‌های از دست رفته (Missing Data) در Stan
• 19. استفاده از توزیع‌های non-standard در Stan
• 20. اعتبارسنجی مدل Stan با استفاده از داده‌های شبیه‌سازی شده
• 21. مقایسه مدل‌ها با استفاده از WAIC و LOO-CV
• 22. انتخاب مدل مناسب با استفاده از Prior Predictive Checks
• 23. استفاده از Stan با R: رابط `rstan`
• 24. استفاده از Stan با Python: رابط `PyStan`
• 25. استفاده از Stan با Julia: رابط `StanJulia`
• 26. استفاده از Stan برای مدل‌سازی Bayesian A/B Testing
• 27. استفاده از Stan برای پیش‌بینی سری‌های زمانی
• 28. مدل‌سازی مدل‌های بقا (Survival Models) در Stan
• 29. مدل‌سازی مدل‌های چند متغیره (Multivariate Models) در Stan
• 30. استفاده از Stan برای تحلیل داده‌های مکانی (Spatial Data)
• 31. بهینه‌سازی Stan برای مدل‌های بزرگ و پیچیده
• 32. استفاده از Stan برای مدل‌سازی Bayesian Nonparametric