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. مقدمه ای بر روش های مونت کارلو زنجیره مارکوف (MCMC)
• 2. آشنایی با نرم افزار استن (Stan)
• 3. نصب و راه اندازی استن
• 4. مفاهیم پایه احتمال و آمار در MCMC
• 5. توزیع های احتمال در استن
• 6. مدل های خطی تعمیم یافته (GLM)
• 7. مدل های خطی تعمیم یافته در استن
• 8. پیاده سازی مدل های GLM در استن
• 9. مفاهیم پایه استنباط بیزی
• 10. فرآیند استنباط بیزی در استن
• 11. انتخاب توزیع پیشین (Prior) مناسب
• 12. تنظیم توزیع پیشین در استن
• 13. توزیع های پسین (Posterior)
• 14. روش های نمونه برداری در MCMC
• 15. الگوریتم گیبس (Gibbs Sampling)
• 16. پیاده سازی الگوریتم گیبس در استن
• 17. الگوریتم متروپولیس-هستینگز (Metropolis-Hastings)
• 18. پیاده سازی متروپولیس-هستینگز در استن
• 19. روش زنجیره مارکوف مونت کارلو در استن
• 20. تشخیص همگرایی در MCMC
• 21. معیارهای همگرایی (Gelman-Rubin, R-hat)
• 22. تجسم نتایج MCMC
• 23. نمودارهای سری زمانی (Trace Plots)
• 24. نمودارهای چگالی (Density Plots)
• 25. نمودارهای جعبه ای (Box Plots)
• 26. ارزیابی کیفیت نمونه ها
• 27. تعداد گام های لازم در MCMC
• 28. تنظیم پارامترهای الگوریتم MCMC
• 29. کاهش همبستگی بین متغیرها
• 30. تنظیم طول زنجیره و تعداد تکرار
• 31. مدل های سلسله مراتبی (Hierarchical Models)
• 32. پیاده سازی مدل های سلسله مراتبی در استن
• 33. مدل های غیرخطی در استن
• 34. مدل های فضایی در استن
• 35. مدل های سری زمانی در استن
• 36. مدل های بقا (Survival Models)
• 37. مدل های رگرسیون لجستیک در استن
• 38. مدل های رگرسیون پواسون در استن
• 39. مدل های رگرسیون ناپارامتری در استن
• 40. انجام تحلیل حساسیت (Sensitivity Analysis)
• 41. اعتبارسنجی مدل (Model Validation)
• 42. اعتبارسنجی مدل با داده های شبیه سازی شده
• 43. بررسی باقیمانده ها (Residual Analysis)
• 44. مقایسه مدل ها (Model Comparison)
• 45. معیارهای مقایسه مدل (WAIC, LOO-CV)
• 46. مدیریت داده های گمشده در استن
• 47. روش های imputation در استن
• 48. استفاده از داده های حجیم در استن
• 49. بهینه سازی کد استن
• 50. تکنیک های پیشرفته نمونه برداری
• 51. روش های MCMC موازی
• 52. پیاده سازی مدل های پیچیده در استن
• 53. مقدمه ای بر مدل های خطی تعمیم یافته چند متغیره
• 54. پیاده سازی مدل های چند متغیره در استن
• 55. تحلیل شبکه های اجتماعی با استن
• 56. مدل های گرافی بیزی در استن
• 57. پردازش زبان طبیعی با استن
• 58. یادگیری ماشین با استن
• 59. شبکه های عصبی در استن
• 60. روش های استنباط بیزی در علوم داده
• 61. کاربرد MCMC در علوم زیستی
• 62. کاربرد MCMC در علوم اقتصادی
• 63. کاربرد MCMC در علوم اجتماعی
• 64. کاربرد MCMC در مهندسی
• 65. کاربرد MCMC در علوم محیطی
• 66. کاربرد MCMC در علوم پزشکی
• 67. کاربرد MCMC در فین تک (چارچوب اسلامی)
• 68. تحلیل داده های زیستی با استن
• 69. مدل سازی مالی با استن (چارچوب اسلامی)
• 70. تحلیل داده های اقتصادی با استن
• 71. مدل سازی رفتاری با استن
• 72. تحلیل داده های سنجش از دور با استن
• 73. مدل سازی اقلیمی با استن
• 74. مدل سازی اپیدمیولوژیک با استن
• 75. مدل سازی روانشناختی با استن
• 76. مدل سازی جامعه شناختی با استن
• 77. استفاده از استن در تحقیقات علمی
• 78. اصول گزارش دهی نتایج MCMC
• 79. تفسیر نتایج بیزی
• 80. ارائه نتایج به مخاطبان غیرمتخصص
• 81. چالش های رایج در MCMC
• 82. رفع مشکلات همگرایی
• 83. مدیریت حافظه در استن
• 84. خطاهای رایج در نوشتن کد استن
• 85. اشکال زدایی (Debugging) مدل های استن
• 86. مستندسازی کد استن
• 87. اصول طراحی مدل های بیزی
• 88. روش های نمونه گیری پیشرفته
• 89. مقدمه ای بر مدل های خطی تعمیم یافته غیرپارامتری
• 90. پیاده سازی مدل های غیرپارامتری در استن
• 91. استفاده از ابزارهای کمکی استن
• 92. بسته های R و Python برای استن
• 93. تجسم پیشرفته نتایج MCMC
• 94. مقایسه روش های مختلف MCMC
• 95. مقدمه ای بر توزیع های چند متغیره در استن
• 96. ساخت مدل های سفارشی در استن
• 97. مدل سازی داده های اکتشافی با استن
• 98. اصول پیشگیری از بیش برازش (Overfitting)
• 99. تکنیک های منظم سازی (Regularization) در استن
• 100. مدل سازی داده های زمانی پیچیده در استن