دوره تکنیک‌های اعتبارسنجی مدل‌های آماری در Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های اعتبارسنجی مدل‌های آماری در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مبانی احتمال و آمار استنباطی
• 2. مقدمه‌ای بر زبان برنامه‌نویسی R
• 3. نصب و راه‌اندازی Stan
• 4. مبانی مدل‌سازی آماری
• 5. مفهوم مدل خطی تعمیم‌یافته (GLM)
• 6. رگرسیون خطی در Stan
• 7. رگرسیون لجستیک در Stan
• 8. مدل‌های سری زمانی پایه
• 9. مدل‌های مکانی پایه
• 10. مقدمه‌ای بر روش‌های بیزی
• 11. قضیه بیز و توزیع پسین
• 12. انتخاب پیشین‌های مناسب
• 13. پیاده‌سازی مدل‌های بیزی در Stan
• 14. نکات عملی در مدل‌سازی بیزی
• 15. انتخاب مدل و مقایسه مدل‌ها
• 16. معیارهای اطلاعاتی (AIC, BIC)
• 17. اعتبارسنجی مدل با داده‌های شبیه‌سازی شده
• 18. اعتبارسنجی متقابل (Cross-validation)
• 19. روش بوت‌استرپ (Bootstrap)
• 20. تحلیل باقی‌مانده‌ها (Residual analysis)
• 21. تشخیص همبستگی بین متغیرها
• 22. بررسی ناهمسانی واریانس
• 23. بررسی نرمال بودن باقی‌مانده‌ها
• 24. شناسایی نقاط پرت (Outliers)
• 25. شناسایی نقاط اهرمی (Leverage points)
• 26. بررسی اثرات متقابل (Interaction effects)
• 27. مدل‌سازی سلسله‌مراتبی (Hierarchical modeling)
• 28. مدل‌های چند سطحی در Stan
• 29. مفاهیم مدل‌های مخلوط (Mixed-effects models)
• 30. پیاده‌سازی مدل‌های مخلوط در Stan
• 31. مدل‌سازی داده‌های پانل (Panel data)
• 32. مدل‌سازی داده‌های طولی (Longitudinal data)
• 33. مدل‌سازی داده‌های رویدادی (Event history modeling)
• 34. مدل‌سازی بقا (Survival analysis)
• 35. مدل‌های رگرسیون کوانتایل (Quantile regression)
• 36. مدل‌های فضای حالت (State-space models)
• 37. مدل‌های مارکوف پنهان (Hidden Markov models)
• 38. مدل‌سازی شبکه‌های اجتماعی
• 39. مدل‌سازی عامل‌بنیان (Agent-based modeling)
• 40. کاربرد مدل‌سازی آماری در اقتصاد
• 41. کاربرد مدل‌سازی آماری در علوم زیستی
• 42. کاربرد مدل‌سازی آماری در علوم اجتماعی
• 43. کاربرد مدل‌سازی آماری در مهندسی
• 44. کاربرد مدل‌سازی آماری در مدیریت
• 45. مدل‌سازی داده‌های حجیم (Big data modeling)
• 46. مقدمه‌ای بر یادگیری ماشین
• 47. تکنیک‌های پیش‌پردازش داده‌ها
• 48. مهندسی ویژگی (Feature engineering)
• 49. انتخاب ویژگی (Feature selection)
• 50. مدل‌های درخت تصمیم (Decision trees)
• 51. مدل‌های جنگل تصادفی (Random forests)
• 52. مدل‌های تقویت گرادیان (Gradient boosting)
• 53. ماشین‌های بردار پشتیبان (Support vector machines)
• 54. شبکه‌های عصبی مصنوعی
• 55. شبکه‌های عصبی کانولوشنال (CNN)
• 56. شبکه‌های عصبی بازگشتی (RNN)
• 57. یادگیری عمیق (Deep learning)
• 58. یادگیری تقویتی (Reinforcement learning)
• 59. مقدمه‌ای بر پردازش زبان طبیعی (NLP)
• 60. مدل‌سازی موضوعی (Topic modeling)
• 61. تحلیل احساسات (Sentiment analysis)
• 62. دسته‌بندی متن (Text classification)
• 63. خلاصه‌سازی متن (Text summarization)
• 64. ترجمه ماشینی (Machine translation)
• 65. مدل‌سازی داده‌های مکانی-زمانی
• 66. تحلیل داده‌های جغرافیایی
• 67. مدل‌سازی پیش‌بینی‌کننده
• 68. شناسایی الگو (Pattern recognition)
• 69. تکنیک‌های خوشه‌بندی (Clustering techniques)
• 70. تحلیل مولفه‌های اصلی (PCA)
• 71. تحلیل عاملی (Factor analysis)
• 72. تحلیل عدم قطعیت (Uncertainty analysis)
• 73. حساسیت‌سنجی مدل (Sensitivity analysis)
• 74. اعتبارسنجی مدل‌های پیچیده
• 75. مدیریت مدل‌های آماری
• 76. مستندسازی مدل‌ها
• 77. تفسیر نتایج مدل‌های بیزی
• 78. مصورسازی نتایج مدل‌ها
• 79. اصول کدنویسی تمیز و قابل نگهداری
• 80. استفاده از ابزارهای کنترل نسخه (Git)
• 81. مقدمه‌ای بر محاسبات موازی
• 82. استفاده از GPU در Stan
• 83. اجرای مدل‌ها بر روی خوشه‌ها
• 84. بهینه‌سازی کد Stan
• 85. اشکال‌زدایی مدل‌های Stan
• 86. روش‌های نمونه‌گیری پیشرفته (NUTS)
• 87. نکات مربوط به همگرایی زنجیره‌ها
• 88. تشخیص واگرایی در مدل‌های بیزی
• 89. ارزیابی کیفیت نمونه‌گیری
• 90. اعتبارسنجی فرضیات مدل
• 91. محدودیت‌های مدل‌سازی آماری
• 92. اخلاق در مدل‌سازی و تحلیل داده
• 93. ارائه نتایج به مخاطبان غیرمتخصص
• 94. انتقال دانش مدل‌سازی به تیم
• 95. توسعه مدل‌های سفارشی
• 96. مقدمه‌ای بر بهینه‌سازی در Stan
• 97. بهینه‌سازی توابع هدف در Stan
• 98. کاربرد بهینه‌سازی در تصمیم‌گیری
• 99. مدل‌سازی مسائل بهینه‌سازی ترکیبی
• 100. مدل‌سازی مسائل بهینه‌سازی پیوسته