دوره تنظیمات پیشرفته for Sampling in Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته for Sampling in Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی استن
• 2. مفاهیم اولیه مدل‌سازی آماری
• 3. توزیع‌های احتمالی و کاربردها
• 4. نظریه احتمال و استنتاج بیزی
• 5. مبانی نمونه‌گیری مارکوف چین مونت کارلو (MCMC)
• 6. معرفی نرم‌افزار استن و قابلیت‌های آن
• 7. نصب و راه‌اندازی استن
• 8. ساختار کلی یک مدل در استن
• 9. بخش داده‌ها (data block)
• 10. بخش پارامترها (parameters block)
• 11. بخش مدل (model block)
• 12. بخش تبدیل پارامترها (transformed parameters block)
• 13. بخش توابع هدف (generated quantities block)
• 14. نوشتن اولین مدل ساده در استن
• 15. نمونه‌گیری از توزیع نرمال
• 16. نمونه‌گیری از توزیع برنولی
• 17. نمونه‌گیری از توزیع پواسون
• 18. نمونه‌گیری از توزیع نمایی
• 19. نمونه‌گیری از توزیع گاما
• 20. نمونه‌گیری از توزیع بتا
• 21. مدل‌های رگرسیونی خطی در استن
• 22. رگرسیون خطی ساده
• 23. رگرسیون خطی چندگانه
• 24. مدل‌های پیش‌فرض (Priors) در استن
• 25. انتخاب توزیع‌های پیش‌فرض مناسب
• 26. پیش‌فرض‌های نامعلومه (Informative Priors)
• 27. پیش‌فرض‌های غیر معلومه (Uninformative Priors)
• 28. پیش‌فرض‌های مبتنی بر دانش قبلی
• 29. ارزیابی و تشخیص همگرایی مدل‌های MCMC
• 30. نمودارهای سری زمانی (Trace Plots)
• 31. تابع خودهمبستگی متقابل (Autocorrelation Function)
• 32. آماره‌های تشخیصی (Gelman-Rubin Statistic)
• 33. تفسیر نتایج MCMC
• 34. بررسی توزیع پسین پارامترها
• 35. محاسبه میانگین و واریانس توزیع پسین
• 36. محاسبه فواصل اطمینان پسین
• 37. نمونه‌گیری پیش‌بینی (Posterior Predictive Sampling)
• 38. کاربرد نمونه‌گیری پیش‌بینی در ارزیابی مدل
• 39. تست‌های برازندگی مدل (Goodness-of-fit Tests)
• 40. مدل‌های سلسله مراتبی (Hierarchical Models)
• 41. مبانی مدل‌های سلسله مراتبی
• 42. پیاده‌سازی مدل‌های سلسله مراتبی در استن
• 43. مدل‌های اثرات تصادفی (Random Effects Models)
• 44. مدل‌های اثرات ثابت (Fixed Effects Models)
• 45. کاربرد مدل‌های سلسله مراتبی در علوم اجتماعی
• 46. کاربرد مدل‌های سلسله مراتبی در علوم پزشکی
• 47. مدل‌های خطای متغیر (Measurement Error Models)
• 48. مدل‌های سری زمانی در استن
• 49. مدل‌های ARIMA در استن
• 50. مدل‌های رگرسیون پوآسون برای داده‌های شمارشی
• 51. مدل‌های رگرسیون باینومی برای داده‌های دودویی
• 52. مدل‌های بقا (Survival Analysis) در استن
• 53. مدل‌های لجستیک پیشرفته
• 54. مدل‌های پروبیت پیشرفته
• 55. مدل‌های چند سطحی (Multilevel Models)
• 56. مدل‌های مختلط (Mixed-Effects Models)
• 57. مدل‌های پویایی سیستم (System Dynamics) در استن
• 58. بهینه‌سازی مدل‌ها در استن
• 59. تنظیمات پیشرفته نمونه‌گیری
• 60. تنظیمات پارامترهای MCMC
• 61. تنظیم نرخ پذیرش (Acceptance Rate)
• 62. تنظیم اندازه گام (Step Size)
• 63. استفاده از الگوریتم‌های نمونه‌گیری پیشرفته
• 64. نمونه‌گیری متغیرهای پنهان (Latent Variable Models)
• 65. مدل‌های عاملی (Factor Analysis) در استن
• 66. مدل‌های معادلات ساختاری (Structural Equation Models) در استن
• 67. مدل‌های شبکه‌ای (Network Models) در استن
• 68. مدل‌های یادگیری ماشین در استن
• 69. مدل‌های رگرسیون لجستیک با ترم‌های تعاملی
• 70. مدل‌های خطای متغیر در رگرسیون
• 71. مدل‌های ساختاری برای داده‌های پنلی
• 72. مدل‌های پویا برای داده‌های پنلی
• 73. مدل‌های پیش‌بینی پویا
• 74. مدل‌های مبتنی بر شبیه‌سازی در استن
• 75. شبیه‌سازی مونت کارلو در استن
• 76. کاربرد استن در تحلیل داده‌های بزرگ
• 77. مدل‌سازی داده‌های مکانی در استن
• 78. مدل‌سازی داده‌های زمانی-مکانی در استن
• 79. بهینه‌سازی پارامترهای استن
• 80. عیب‌یابی مدل‌های استن
• 81. نکات پیشرفته در نوشتن مدل‌های استن
• 82. استفاده از توابع سفارشی در استن
• 83. کامپایل و اجرای مدل‌های پیچیده
• 84. بهره‌وری در استفاده از استن
• 85. مقایسه استن با سایر نرم‌افزارهای مدل‌سازی بیزی
• 86. کاربرد استن در پژوهش‌های علمی
• 87. کاربرد استن در اقتصاد سنجی
• 88. کاربرد استن در آمار زیستی
• 89. کاربرد استن در علوم داده
• 90. جمع‌بندی و گام‌های بعدی در یادگیری استن