دوره مخاطرات و تنظیمات اساسی در Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مخاطرات و تنظیمات اساسی 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 پیکربندی Stan
• 3. ساختار کلی مدل در Stan
• 4. انواع داده‌ها در Stan
• 5. متغیرهای درون مدل (Parameters)
• 6. متغیرهای کمکی (Transformed Parameters)
• 7. توابع چگالی احتمال (Likelihood Functions)
• 8. توابع پیشین (Prior Distributions)
• 9. فرایند نمونه‌برداری MCMC
• 10. الگوریتم Metropolis-Hastings
• 11. الگوریتم Gibbs Sampling
• 12. الگوریتم Hamiltonian Monte Carlo (HMC)
• 13. پیاده‌سازی مدل‌های ساده خطی در Stan
• 14. مدل‌های رگرسیون لجستیک در Stan
• 15. مدل‌های رگرسیون پواسون در Stan
• 16. مدل‌های اثرات مختلط (Mixed Effects Models)
• 17. مدل‌های سلسله‌مراتبی (Hierarchical Models)
• 18. نمایش گرافیکی نتایج در Stan
• 19. ارزیابی همگرایی زنجیره‌ها
• 20. معیارهای همگرایی (R-hat, ESS)
• 21. تشخیص مشکلات همگرایی
• 22. انواع مختلف توزیع‌های پیشین
• 23. انتخاب توزیع پیشین مناسب
• 24. توزیع‌های پیشین غیرمطلع (Non-informative Priors)
• 25. توزیع‌های پیشین مطلع (Informative Priors)
• 26. توزیع‌های پیشین منظم (Regularizing Priors)
• 27. مدل‌سازی سری‌های زمانی در Stan
• 28. مدل‌های ARIMA در Stan
• 29. مدل‌های حالت فضا (State-Space Models)
• 30. مدل‌سازی داده‌های مکانی در Stan
• 31. مدل‌های خودرگرسیو مکانی (Spatial Autoregressive Models)
• 32. مدل‌های مکانی-زمانی (Spatio-temporal Models)
• 33. مدل‌سازی داده‌های بقا (Survival Analysis)
• 34. مدل‌های کاکس (Cox Proportional Hazards)
• 35. مدل‌های پارامتری بقا
• 36. مدل‌سازی داده‌های گسسته در Stan
• 37. مدل‌های طبقه‌بندی چندگانه (Multinomial Models)
• 38. مدل‌های ترتیبی (Ordinal Models)
• 39. ساخت توابع سفارشی در Stan
• 40. استفاده از اپراتورهای برداری در Stan
• 41. بهینه‌سازی کد Stan
• 42. کارایی الگوریتم‌های HMC
• 43. تنظیم پارامترهای HMC (epsilon, steps)
• 44. استفاده از NUTS (No-U-Turn Sampler)
• 45. مدل‌سازی داده‌های گمشده (Missing Data)
• 46. روش‌های Imputation در Stan
• 47. مدل‌سازی داده‌های حجیم (Big Data)
• 48. استفاده از Stan با زبان‌های دیگر (R, Python)
• 49. بسته‌های کمکی برای Stan
• 50. بسته‌های آماری در Stan
• 51. بسته‌های احتمالی در Stan
• 52. کاربرد Stan در علوم زیستی
• 53. کاربرد Stan در علوم اجتماعی
• 54. کاربرد Stan در علوم اقتصادی
• 55. کاربرد Stan در علوم مهندسی
• 56. مدل‌سازی فرآیندهای تصمیم‌گیری
• 57. مدل‌سازی رفتار مصرف‌کننده
• 58. مدل‌سازی در اقتصاد سنجی
• 59. مدل‌سازی مالی در Stan
• 60. مدل‌سازی ریسک در Stan
• 61. مدل‌سازی اعتبار در Stan
• 62. مدل‌سازی پرتفوی سهام
• 63. مباحث پیشرفته در مدل‌سازی آماری
• 64. مدل‌های بیزی غیرپارامتری
• 65. فرایندهای گوسی (Gaussian Processes)
• 66. مدل‌های گرافیکی احتمالی (Probabilistic Graphical Models)
• 67. شبکه‌های بیزی (Bayesian Networks)
• 68. مدل‌های مارکوف پنهان (Hidden Markov Models)
• 69. مدل‌های پویا در Stan
• 70. مدل‌سازی دینامیک جمعیت
• 71. مدل‌سازی بیماری‌های عفونی
• 72. مدل‌سازی در علوم محیط زیست
• 73. مدل‌سازی تغییرات اقلیمی
• 74. مدل‌سازی کیفیت هوا
• 75. مدل‌سازی منابع آب
• 76. کاربرد Stan در پردازش تصویر
• 77. مدل‌سازی بیزی در یادگیری ماشین
• 78. شبکه‌های عصبی بیزی
• 79. مدل‌های تولیدی (Generative Models)
• 80. استفاده از Stan برای اعتبارسنجی مدل
• 81. ارزیابی پیش‌بینی مدل
• 82. تفسیر نتایج مدل بیزی
• 83. انتقال دانش از مدل‌های قبلی
• 84. مدل‌سازی بیزی برای داده‌های پانل
• 85. مدل‌سازی بیزی برای داده‌های شبکه‌ای
• 86. مدل‌سازی بیزی برای داده‌های چندسطحی
• 87. مدل‌سازی بیزی برای تحلیل عاملی
• 88. مدل‌سازی بیزی برای تحلیل مسیر
• 89. مبانی فلسفی استنتاج بیزی
• 90. تفاوت رویکردهای بیزی و فراوانی‌گرا
• 91. کاربرد Stan در تحقیقات علمی
• 92. اصول اخلاقی در مدل‌سازی آماری
• 93. حفظ حریم خصوصی در داده‌ها
• 94. امنیت مدل‌های آماری
• 95. مباحث پیشرفته در بهینه‌سازی الگوریتم‌های MCMC
• 96. استفاده از GPU برای شتاب‌دهی
• 97. مدل‌سازی بیزی برای داده‌های شهودی
• 98. مدل‌سازی بیزی برای داده‌های متنی
• 99. مدل‌سازی بیزی برای داده‌های صوتی
• 100. مدل‌سازی بیزی برای داده‌های ویدئویی