اپلیکیشن اندرویدی فلش‌کارت آموزشی راهنمای کاربردی Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای کاربردی Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر آمار بیزی و Stan
• 2. نصب و راه‌اندازی Stan و ابزارهای مرتبط
• 3. ساختار یک مدل Stan
• 4. انواع داده‌ها در Stan
• 5. توابع و عملگرها در Stan
• 6. نوشتن مدل‌های ساده در Stan
• 7. پارامترهای مدل و توزیع‌های پیشین
• 8. تابع هدف (Log Probability) در Stan
• 9. نمونه‌گیری با Stan: الگوریتم NUTS
• 10. تنظیم پارامترهای NUTS
• 11. ارزیابی همگرایی با Rhat و Effective Sample Size
• 12. پیش‌بینی پسین (Posterior Predictive Checks)
• 13. مدل‌های خطی تعمیم‌یافته (GLM) در Stan
• 14. مدل‌های رگرسیونی سلسله مراتبی (Hierarchical Regression)
• 15. مدل‌های چندمتغیره در Stan
• 16. مدل‌های تغییر شکل (Transformation Models)
• 17. استفاده از Stan با R: رابط Stan
• 18. استفاده از Stan با Python: رابط PyStan
• 19. مدل‌سازی داده‌های گمشده (Missing Data)
• 20. مدل‌سازی داده‌های سانسور شده (Censored Data)
• 21. مدل‌سازی داده‌های زمانی (Time Series Data)
• 22. مدل‌های بقا (Survival Models)
• 23. مدل‌سازی بیزی غیرپارامتری با Stan
• 24. استفاده از توابع تعریف شده توسط کاربر (User-Defined Functions)
• 25. بهینه‌سازی مدل Stan
• 26. خطایابی و رفع اشکال در مدل‌های Stan
• 27. مقایسه مدل‌ها با استفاده از WAIC و LOO
• 28. مدل‌سازی بیزی سلسله مراتبی پیشرفته
• 29. تکنیک‌های کاهش زمان نمونه‌گیری
• 30. مدل‌سازی بیزی با داده‌های بزرگ
• 31. استفاده از Stan برای شبیه‌سازی
• 32. مدل‌سازی بیزی برای یادگیری تقویتی
• 33. آشنایی با Stan Math Library
• 34. معرفی و کاربرد Stan's Hamiltonian Monte Carlo
• 35. تکنیک‌های بهبود پایداری مدل
• 36. استفاده از محدودیت‌ها (Constraints) در Stan
• 37. مدل‌سازی بیزی برای مسائل طبقه‌بندی
• 38. تطبیق مدل‌های Stan با داده‌های پیچیده