دوره راهنمای جامع for Modeling with Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع for Modeling with Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمات و فلسفه مدل‌سازی آماری
• 2. اصول پایه‌ای نظریه احتمال
• 3. متغیرهای تصادفی و توزیع‌های احتمال گسسته
• 4. متغیرهای تصادفی و توزیع‌های احتمال پیوسته
• 5. آمار توصیفی و خلاصه‌سازی داده‌ها
• 6. آمار استنباطی: برآورد پارامترها
• 7. آمار استنباطی: آزمون فرض آماری
• 8. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLMs)
• 9. رگرسیون خطی ساده و چندگانه
• 10. تحلیل واریانس (ANOVA)
• 11. رگرسیون لجستیک
• 12. مدل‌های پواسون برای داده‌های شمارشی
• 13. مقدمه ای بر مدل‌سازی بیزی
• 14. مفهوم پیشین و پسین در مدل‌سازی بیزی
• 15. قضیه بیز و کاربردهای آن
• 16. نظریه استنتاج بیزی
• 17. مقدمه ای بر نرم‌افزار Stan
• 18. نصب و راه‌اندازی Stan
• 19. سینتکس زبان Stan (Stan Language)
• 20. ساختار کلی برنامه‌های Stan
• 21. تعریف داده‌ها در Stan
• 22. تعریف پارامترها در Stan
• 23. تعریف مدل در Stan
• 24. نوشتن توابع سفارشی در Stan
• 25. کامپایل کردن و اجرای مدل‌های Stan
• 26. تکنیک‌های نمونه‌گیری در Stan (MCMC)
• 27. الگوریتم‌های نمونه‌گیری زنجیره مارکوف مونت کارلو (MCMC)
• 28. نمونه‌گیری نمونه‌گیری از طریق گره‌زنی (Gibbs Sampling)
• 29. نمونه‌گیری از طریق زنجیره مارکوف مونت کارلو (Metropolis-Hastings)
• 30. نمونه‌گیری از طریق گام‌برداری هامیلتونی (Hamiltonian Monte Carlo - HMC)
• 31. تبدیل گام‌برداری هامیلتونی به نمونه‌گیری از طریق گره‌زنی (NUTS)
• 32. تشخیص همگرایی در MCMC
• 33. معیارهای همگرایی (R-hat, ESS)
• 34. تجسم نتایج MCMC
• 35. تحلیل پسین پارامترها
• 36. برآورد فواصل اطمینان بیزی
• 37. مدل‌سازی رگرسیون خطی با Stan
• 38. مدل‌سازی رگرسیون لجستیک با Stan
• 39. مدل‌سازی رگرسیون پواسون با Stan
• 40. مدل‌سازی اثرات ثابت و تصادفی
• 41. مدل‌های سلسله مراتبی (Hierarchical Models)
• 42. مزایای مدل‌های سلسله مراتبی
• 43. پیاده‌سازی مدل‌های سلسله مراتبی در Stan
• 44. مدل‌سازی داده‌های طولی
• 45. مدل‌سازی سری‌های زمانی با Stan
• 46. مدل‌سازی فضایی با Stan
• 47. مدل‌سازی داده‌های خوشه‌ای
• 48. مدل‌سازی مدل‌های خطی تعمیم‌یافته بیزی
• 49. مدل‌سازی مدل‌های غیرخطی با Stan
• 50. استفاده از بسته‌های کمکی Stan (RStan, PyStan)
• 51. نکات پیشرفته در نوشتن کد Stan
• 52. بهینه‌سازی کد Stan برای سرعت
• 53. مدیریت داده‌های بزرگ در Stan
• 54. اعتبارسنجی مدل‌ها در Stan
• 55. مقایسه مدل‌ها (WAIC, LOO-CV)
• 56. مدل‌سازی پیش‌بینی با Stan
• 57. شبیه‌سازی از مدل‌های Stan
• 58. کاربرد Stan در اقتصادسنجی
• 59. کاربرد Stan در آمار زیستی
• 60. کاربرد Stan در علوم اجتماعی
• 61. کاربرد Stan در علوم محیطی
• 62. کاربرد Stan در مهندسی
• 63. کاربرد Stan در علوم داده
• 64. مدل‌سازی توزیع‌های دلخواه (Custom Distributions)
• 65. استفاده از توابع توزیع سفارشی
• 66. پیاده‌سازی مدل‌های شرطی (Conditional Models)
• 67. مدل‌سازی مدل‌های حذف شده (Missing Data Models)
• 68. مدل‌سازی داده‌های سانسور شده (Censored Data Models)
• 69. مدل‌سازی مدل‌های مقایسه‌ای
• 70. مقدمه ای بر مدل‌سازی ساختاری
• 71. مدل‌سازی معادلات ساختاری با Stan
• 72. مدل‌سازی تحلیل عاملی با Stan
• 73. مدل‌سازی تحلیل مسیر با Stan
• 74. مدل‌سازی مدل‌های پنهان مارکوف
• 75. کاربرد Stan در یادگیری ماشین
• 76. یادگیری ماشین بیزی
• 77. شبکه‌های عصبی بیزی با Stan
• 78. ماشین‌های بردار پشتیبان بیزی با Stan
• 79. مدل‌سازی مدل‌های گرافیکی احتمالی
• 80. شبکه‌های بیزی با Stan
• 81. مدل‌سازی مدل‌های استنباطی
• 82. روش‌های نمونه‌گیری پیشرفته
• 83. نمونه‌گیری از طریق گره‌زنی با استفاده از Stan
• 84. نمونه‌گیری از طریق گره‌زنی با استفاده از Stan
• 85. روش‌های اعتبارسنجی متقابل (Cross-validation)
• 86. اعتبارسنجی متقابل در Stan
• 87. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 88. انتخاب بهترین مدل با معیارهای بیزی
• 89. مدل‌سازی پیش‌بینی با استفاده از نتایج Stan
• 90. ارزیابی عدم قطعیت در پیش‌بینی‌ها
• 91. کاربرد Stan در تحلیل داده‌های کیفی (در صورت امکان)
• 92. مدل‌سازی داده‌های ترکیبی (Mixed Data)
• 93. مدل‌سازی داده‌های شبکه‌ای (Network Data)
• 94. مقدمه ای بر مدل‌سازی علّی (Causal Modeling)
• 95. مدل‌سازی علّی با Stan
• 96. تحلیل حساسیت مدل
• 97. تجسم پیشرفته نتایج Stan
• 98. گزارش‌دهی نتایج مدل‌سازی بیزی
• 99. کاربرد Stan در پژوهش‌های کاربردی
• 100. اصول اخلاقی در مدل‌سازی آماری