دوره تنظیمات پیشرفته برای مدل‌سازی‌های پیچیده در Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته برای مدل‌سازی‌های پیچیده در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی Stan
• 2. نصب و راه‌اندازی Stan
• 3. مفاهیم پایه‌ای مدل‌سازی آماری
• 4. مقدمه‌ای بر آمار بیزی
• 5. مفاهیم احتمال و توزیع‌های احتمال
• 6. توزیع‌های پیشین و پسین
• 7. قضیه بیز و کاربردهای آن
• 8. مقدمه‌ای بر مدل‌های خطی در Stan
• 9. مدل‌های رگرسیون خطی ساده
• 10. مدل‌های رگرسیون خطی چندگانه
• 11. مدل‌های خطی تعمیم‌یافته (GLMs)
• 12. معرفی توابع لینک در GLMs
• 13. توزیع پواسون برای داده‌های شمارشی
• 14. توزیع دوجمله‌ای برای داده‌های دودویی
• 15. مدل‌سازی داده‌های سری زمانی در Stan
• 16. فرآیندهای خودرگرسیو (AR)
• 17. فرآیندهای میانگین متحرک (MA)
• 18. مدل‌های ARMA و ARIMA
• 19. مدل‌سازی اثرات تصادفی
• 20. مدل‌های اثرات تصادفی خطی
• 21. مدل‌های اثرات مختلط
• 22. مقدمه‌ای بر مدل‌های سلسله‌مراتبی
• 23. مزایای مدل‌های سلسله‌مراتبی
• 24. پیاده‌سازی مدل‌های سلسله‌مراتبی در Stan
• 25. مدل‌سازی داده‌های مکانی
• 26. مقدمه‌ای بر مدل‌های مکانی
• 27. مدل‌سازی وابستگی مکانی
• 28. مدل‌سازی داده‌های شبکه‌ای
• 29. مقدمه‌ای بر مدل‌های شبکه‌ای
• 30. پیاده‌سازی مدل‌های شبکه‌ای در Stan
• 31. مقدمه‌ای بر مدل‌های غیرخطی
• 32. مدل‌های رگرسیون غیرخطی
• 33. مدل‌های منحنی رشد
• 34. استفاده از توابع گاما در Stan
• 35. مدل‌سازی بقا
• 36. مقدمه‌ای بر تحلیل بقا
• 37. مدل کاکس پروپورشنال هازاردز
• 38. مدل‌های بقای پارامتری
• 39. بهینه‌سازی در Stan
• 40. مقدمه‌ای بر بهینه‌سازی عددی
• 41. روش گرادیان کاهشی
• 42. روش‌های مرتبه دوم
• 43. مقدمه‌ای بر نمونه‌برداری مونت کارلو زنجیره مارکوف (MCMC)
• 44. الگوریتم Metropolis-Hastings
• 45. الگوریتم گیبس سمپلینگ
• 46. ارزیابی همگرایی MCMC
• 47. شاخص‌های همگرایی (R-hat)
• 48. تحلیل پسین توزیع‌ها
• 49. ترسیم نمودارهای پسین
• 50. محاسبه فواصل اطمینان بیزی
• 51. استفاده از داده‌های شبیه‌سازی شده
• 52. اعتبارسنجی مدل با داده‌های شبیه‌سازی شده
• 53. تست‌های تشخیصی برای مدل‌های آماری
• 54. مدل‌سازی داده‌های گمشده
• 55. روش‌های imputation
• 56. مدل‌سازی داده‌های گمشده در Stan
• 57. مقدمه‌ای بر مدل‌سازی بیزی پیشرفته
• 58. مدل‌های گرافیکی بیزی
• 59. شبکه‌های بیزی
• 60. کاربرد شبکه‌های بیزی در تحلیل داده
• 61. بهینه‌سازی مدل با استفاده از الگوریتم‌های پیشرفته
• 62. تنظیمات پارامترهای نمونه‌برداری
• 63. مدیریت حافظه و کارایی در Stan
• 64. اشکال‌زدایی کدهای Stan
• 65. نوشتن کدهای Stan خوانا و قابل نگهداری
• 66. مقدمه‌ای بر زبان برنامه‌نویسی R برای Stan
• 67. اتصال R به Stan
• 68. تجسم نتایج مدل‌سازی با R
• 69. کار با بسته‌های R مرتبط با Stan
• 70. مقدمه‌ای بر زبان برنامه‌نویسی Python برای Stan
• 71. اتصال Python به Stan
• 72. تجسم نتایج مدل‌سازی با Python
• 73. کار با بسته‌های Python مرتبط با Stan
• 74. مدل‌سازی داده‌های پیمایشی
• 75. مدل‌سازی پاسخ‌های طبقه‌بندی شده
• 76. مدل‌سازی داده‌های ترکیبی
• 77. مدل‌سازی داده‌های رتبه‌بندی شده
• 78. مدل‌سازی داده‌های هرمی
• 79. مقدمه‌ای بر مدل‌سازی بیزی سلسله‌مراتبی پیچیده
• 80. استفاده از توابع شرطی در Stan
• 81. پیاده‌سازی مدل‌های سفارشی در Stan
• 82. بهبود کارایی کدهای Stan
• 83. تکنیک‌های پیشرفته نمونه‌برداری MCMC
• 84. مدل‌سازی پدیده‌های پیچیده در علوم اجتماعی
• 85. کاربرد Stan در اقتصاد سنجی بیزی
• 86. مدل‌سازی در آمار زیستی با Stan
• 87. کاربرد Stan در علوم محیطی
• 88. مدل‌سازی در علوم داده با Stan
• 89. مقدمه‌ای بر روش‌های بیزی پیش‌بینانه
• 90. استفاده از مدل‌های بیزی برای پیش‌بینی
• 91. ارزیابی عملکرد مدل‌های پیش‌بینانه
• 92. مقدمه‌ای بر مدل‌سازی بیزی کواریانس
• 93. مدل‌سازی ساختار کواریانس پیچیده
• 94. کاربرد مدل‌سازی کواریانس در تحلیل داده
• 95. مقدمه‌ای بر مدل‌سازی بیزی پویا
• 96. مدل‌سازی سیستم‌های پویا
• 97. کاربرد مدل‌سازی پویا در تحلیل داده
• 98. استفاده از Stan برای پروژه‌های تحقیقاتی
• 99. راهنمایی برای پروژه‌های عملی با Stan
• 100. منابع بیشتر برای یادگیری Stan