دوره راهنمای جامع for MCMC Setup in Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع for MCMC Setup in Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مفاهیم پایه مدل‌سازی آماری
• 2. اصول احتمالات و توزیع‌های آماری
• 3. مفاهیم کلیدی استنتاج بیزی
• 4. مبانی شبیه‌سازی مونت کارلو
• 5. روش‌های زنجیره مارکوف (MCMC)
• 6. مقدمه‌ای بر زبان برنامه‌نویسی Stan
• 7. نصب و پیکربندی Stan
• 8. ساختار مدل در Stan
• 9. نوشتن اولین مدل بیزی ساده در Stan
• 10. توابع توزیع احتمال در Stan
• 11. پارامترهای مدل و پیشین‌ها
• 12. انتخاب پیشین‌های مناسب
• 13. توزیع‌های پیشین متعارف
• 14. آموزش و تعریف توزیع‌های سفارشی
• 15. روش‌های نمونه‌برداری در Stan
• 16. انتخاب الگوریتم نمونه‌برداری
• 17. تنظیم پارامترهای نمونه‌برداری
• 18. نظارت بر همگرایی زنجیره‌ها
• 19. تکنیک‌های تشخیص عدم همگرایی
• 20. نشانگرهای همگرایی (R-hat, ESS)
• 21. تجسم نتایج MCMC
• 22. رسم توزیع‌های پسین
• 23. رسم سری‌های زمانی زنجیره‌ها
• 24. تحلیل حساسیت پیشین‌ها
• 25. مدل‌های خطی بیزی در Stan
• 26. رگرسیون خطی ساده بیزی
• 27. رگرسیون خطی چندگانه بیزی
• 28. مدل‌های رگرسیون لجستیک بیزی
• 29. مدل‌های پواسون بیزی
• 30. مدل‌های رگرسیون پراکندگی منفی بیزی
• 31. مدل‌های سلسله مراتبی بیزی
• 32. مقدمه‌ای بر مدل‌های سلسله مراتبی
• 33. مدل‌های خطی سلسله مراتبی
• 34. مدل‌های رگرسیون لجستیک سلسله مراتبی
• 35. مدل‌های پواسون سلسله مراتبی
• 36. مدل‌های اثرات مختلط در Stan
• 37. کاربرد مدل‌های اثرات مختلط
• 38. مدل‌سازی سری‌های زمانی با MCMC
• 39. مدل‌های ARIMA بیزی
• 40. مدل‌های اتورگرسیو شرطی ناهمسانی (GARCH) بیزی
• 41. مدل‌سازی داده‌های مکانی با MCMC
• 42. مدل‌های مکانی بیزی
• 43. کاربرد مدل‌های مکانی در علوم
• 44. مدل‌سازی داده‌های پانل با MCMC
• 45. مدل‌های پانل بیزی
• 46. استفاده از داده‌های پانل در Stan
• 47. مقدمه‌ای بر مدل‌های پیشرفته‌تر
• 48. مدل‌های مارکوف پنهان (HMM) در Stan
• 49. مدل‌های گرافیکی بیزی
• 50. کاربرد مدل‌های گرافیکی
• 51. مقدمه‌ای بر بهینه‌سازی بیزی
• 52. روش‌های بهینه‌سازی بیزی
• 53. کاربرد بهینه‌سازی بیزی
• 54. ارزیابی و مقایسه مدل‌ها
• 55. معیارهای مقایسه مدل (WAIC, LOO-CV)
• 56. اعتبارسنجی متقابل در Stan
• 57. مدل‌سازی داده‌های گسسته
• 58. مدل‌سازی داده‌های پیوسته
• 59. مدل‌سازی داده‌های شمارشی
• 60. مدل‌سازی داده‌های دودویی
• 61. مقدمه‌ای بر مدل‌های احتمالاتی غیرخطی
• 62. مدل‌های غیرخطی در Stan
• 63. کاربرد مدل‌های غیرخطی
• 64. مقدمه‌ای بر روش‌های نمونه‌برداری پیشرفته
• 65. نمونه‌برداری اهمیت (Importance Sampling)
• 66. نمونه‌برداری از اهمیت تطبیقی
• 67. روش‌های MCMC متروپلیس-هستینگز
• 68. الگوریتم گیبس (Gibbs Sampling)
• 69. کاربرد الگوریتم‌های پیشرفته
• 70. مقدمه‌ای بر بهینه‌سازی پارامترهای مدل
• 71. روش‌های بهینه‌سازی پارامتر
• 72. کاربرد بهینه‌سازی پارامتر
• 73. مقدمه‌ای بر مدل‌سازی آماری در حوزه‌های علمی
• 74. کاربرد MCMC در اقتصاد
• 75. کاربرد MCMC در علوم اجتماعی
• 76. کاربرد MCMC در علوم زیستی
• 77. کاربرد MCMC در مهندسی
• 78. کاربرد MCMC در علوم زمین
• 79. کاربرد MCMC در پزشکی
• 80. کاربرد MCMC در مطالعات محیطی
• 81. کاربرد MCMC در تحلیل داده‌های بزرگ
• 82. تکنیک‌های پیشرفته پیش‌پردازش داده
• 83. پاکسازی و آماده‌سازی داده‌ها
• 84. شناسایی و مدیریت داده‌های پرت
• 85. تبدیل داده‌ها و مهندسی ویژگی
• 86. مدیریت داده‌های گمشده
• 87. اصول اخلاقی در تحلیل داده‌ها
• 88. حفظ حریم خصوصی در تحلیل داده
• 89. مسئولیت‌پذیری در نتایج آماری
• 90. کاربرد Stan در پروژه‌های تحقیقاتی
• 91. مستندسازی مدل‌های Stan
• 92. اشتراک‌گذاری مدل‌های Stan
• 93. مقدمه‌ای بر چارچوب‌های آماری دیگر
• 94. مقایسه Stan با سایر نرم‌افزارها
• 95. نکات مهم در نوشتن مدل‌های پیچیده
• 96. رفع اشکال در مدل‌های Stan
• 97. بهینه‌سازی سرعت اجرای مدل‌ها
• 98. مقدمه‌ای بر کاربردهای نوین MCMC
• 99. یادگیری ماشین بیزی
• 100. یادگیری تقویتی بیزی