دوره رفع اشکال مدل‌های Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رفع اشکال مدل‌های Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مبانی مدل‌سازی آماری
• 2. مقدمه‌ای بر زبان برنامه‌نویسی R
• 3. نصب و پیکربندی R و RStudio
• 4. کار با داده‌ها در R: انواع داده و ساختارها
• 5. عملیات پایه بر روی داده‌ها: فیلتر کردن و مرتب‌سازی
• 6. تجسم داده‌ها در R: نمودارهای پایه
• 7. مقدمه‌ای بر مدل‌های خطی
• 8. رگرسیون خطی ساده
• 9. رگرسیون خطی چندگانه
• 10. ارزیابی مدل‌های خطی: معیارهای آماری
• 11. مقدمه‌ای بر مدل‌سازی احتمالاتی
• 12. توزیع‌های احتمالاتی گسسته: دوجمله‌ای، پواسون
• 13. توزیع‌های احتمالاتی پیوسته: نرمال، نمایی
• 14. مقدمه‌ای بر استنتاج آماری
• 15. برآورد پارامترها: حداکثر درست‌نمایی
• 16. آزمون فرض آماری
• 17. مقدمه‌ای بر مدل‌های سلسله‌مراتبی
• 18. مفاهیم پایه مدل‌های سلسله‌مراتبی
• 19. مزایای مدل‌های سلسله‌مراتبی
• 20. مقدمه‌ای بر زبان Stan
• 21. نصب و پیکربندی Stan
• 22. نحو پایه زبان Stan
• 23. انواع داده در Stan
• 24. متغیرهای مدل در Stan
• 25. توابع توزیع احتمال در Stan
• 26. ساختارهای کنترلی در Stan
• 27. مقدمه‌ای بر نمونه‌گیری مارکوف زنجیره‌ای مونت کارلو (MCMC)
• 28. مفاهیم پایه MCMC
• 29. الگوریتم‌های MCMC: Metropolis-Hastings
• 30. الگوریتم‌های MCMC: Gibbs Sampling
• 31. ارزیابی همگرایی MCMC
• 32. معیارهای همگرایی MCMC: R-hat
• 33. معیارهای همگرایی MCMC: Trace Plots
• 34. نمونه‌گیری از توزیع‌های پیچیده
• 35. مدل‌های رگرسیون خطی در Stan
• 36. پیاده‌سازی رگرسیون خطی ساده در Stan
• 37. پیاده‌سازی رگرسیون خطی چندگانه در Stan
• 38. استفاده از داده‌های متمرکز در Stan
• 39. مدل‌های رگرسیون سلسله‌مراتبی در Stan
• 40. مدل‌های رگرسیون سلسله‌مراتبی با اثرات تصادفی مشترک
• 41. مدل‌های رگرسیون سلسله‌مراتبی با اثرات تصادفی مستقل
• 42. مدل‌های رگرسیون سلسله‌مراتبی با اثرات تصادفی متغیر
• 43. مدل‌های رگرسیون لجستیک در Stan
• 44. پیاده‌سازی رگرسیون لجستیک در Stan
• 45. مدل‌های رگرسیون لجستیک سلسله‌مراتبی
• 46. مدل‌های رگرسیون پواسون در Stan
• 47. پیاده‌سازی رگرسیون پواسون در Stan
• 48. مدل‌های رگرسیون پواسون سلسله‌مراتبی
• 49. مدل‌های گاما در Stan
• 50. پیاده‌سازی مدل‌های گاما در Stan
• 51. مدل‌های گاما سلسله‌مراتبی
• 52. مدل‌های رگرسیون پروبیت در Stan
• 53. پیاده‌سازی رگرسیون پروبیت در Stan
• 54. مدل‌های رگرسیون پروبیت سلسله‌مراتبی
• 55. مدل‌های خطی تعمیم‌یافته (GLM) در Stan
• 56. پیاده‌سازی GLM در Stan
• 57. مدل‌های خطی تعمیم‌یافته سلسله‌مراتبی
• 58. مقدمه‌ای بر مدل‌های سری زمانی
• 59. مدل‌های ARIMA در Stan
• 60. پیاده‌سازی مدل‌های ARIMA در Stan
• 61. مدل‌های سری زمانی سلسله‌مراتبی
• 62. مقدمه‌ای بر مدل‌های فضایی
• 63. مدل‌های فضایی در Stan
• 64. پیاده‌سازی مدل‌های فضایی در Stan
• 65. مدل‌های فضایی سلسله‌مراتبی
• 66. مقدمه‌ای بر شبکه‌های عصبی
• 67. شبکه‌های عصبی پایه در Stan
• 68. پیاده‌سازی شبکه‌های عصبی پایه در Stan
• 69. شبکه‌های عصبی سلسله‌مراتبی
• 70. مقدمه‌ای بر مدل‌های بیزی
• 71. اصول مدل‌سازی بیزی
• 72. پیاده‌سازی مدل‌های بیزی در Stan
• 73. مقدمه‌ای بر روش‌های پیشرفته Stan
• 74. بهینه‌سازی کدهای Stan
• 75. دیباگ کردن کدهای Stan
• 76. استفاده از بسته‌های کمکی Stan
• 77. مثال‌های کاربردی مدل‌سازی در Stan
• 78. مدل‌سازی داده‌های زیستی در Stan
• 79. مدل‌سازی داده‌های اقتصادی در Stan
• 80. مدل‌سازی داده‌های اجتماعی در Stan
• 81. مدل‌سازی داده‌های آموزشی در Stan
• 82. ارزیابی و انتخاب مدل در Stan
• 83. مقایسه مدل‌های بیزی
• 84. مقدمه‌ای بر زبان پایتون و بسته‌های آماری
• 85. کار با داده‌ها در پایتون
• 86. مقدمه‌ای بر مدل‌سازی آماری در پایتون
• 87. مقدمه‌ای بر PyStan
• 88. پیاده‌سازی مدل‌های پایه در PyStan
• 89. مدل‌های رگرسیون در PyStan
• 90. مدل‌های سلسله‌مراتبی در PyStan
• 91. مقدمه‌ای بر بهینه‌سازی و شبیه‌سازی در Stan
• 92. مدیریت نتایج و گزارش‌دهی
• 93. کاربرد Stan در پژوهش‌های علمی
• 94. توسعه مدل‌های سفارشی در Stan
• 95. آخرین تحولات در Stan
• 96. مقدمه‌ای بر مسائل اخلاقی در مدل‌سازی آماری
• 97. نمونه‌گیری معتبر از داده‌ها
• 98. حفظ حریم خصوصی در تحلیل داده‌ها