دوره راهنمای جامع for کار با Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای جامع for کار با 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 راه‌اندازی Stan
• 3. آشنایی با محیط توسعه Stan
• 4. مفاهیم پایه مدل‌سازی آماری
• 5. مقدمه‌ای بر مدل‌های سلسله مراتبی
• 6. ساختار مدل در Stan: دستورات پایه
• 7. تعریف متغیرهای مشاهده‌شده
• 8. تعریف متغیرهای پنهان
• 9. تعریف پارامترهای مدل
• 10. تعریف توابع چگالی احتمال
• 11. توابع کمکی در Stan
• 12. تولید اعداد تصادفی در Stan
• 13. بررسی همگرایی زنجیره‌های مارکوف مونت کارلو (MCMC)
• 14. معیارهای ارزیابی همگرایی
• 15. استفاده از رسم‌سازی برای بررسی همگرایی
• 16. مقدمه‌ای بر مدل‌های رگرسیون خطی
• 17. پیاده‌سازی رگرسیون خطی در Stan
• 18. مدل‌های رگرسیون سلسله مراتبی
• 19. پیاده‌سازی رگرسیون سلسله مراتبی در Stan
• 20. مدل‌های خطای نرمال
• 21. مدل‌های خطای ناهمگن
• 22. مقدمه‌ای بر مدل‌های لجستیک
• 23. پیاده‌سازی مدل لجستیک در Stan
• 24. مدل‌های رگرسیون لجستیک سلسله مراتبی
• 25. مقدمه‌ای بر مدل‌های پواسون
• 26. پیاده‌سازی مدل پواسون در Stan
• 27. مدل‌های رگرسیون پواسون سلسله مراتبی
• 28. مقدمه‌ای بر مدل‌های سری زمانی
• 29. مدل‌های ARIMA در Stan
• 30. پیاده‌سازی مدل‌های ARIMA در Stan
• 31. مدل‌های پیش‌بینی سری زمانی
• 32. مقدمه‌ای بر مدل‌های بقا
• 33. مدل کاکس در Stan
• 34. پیاده‌سازی مدل کاکس در Stan
• 35. مدل‌های بقا با پارامترهای متغیر با زمان
• 36. مقدمه‌ای بر مدل‌های خوشه‌بندی
• 37. مدل‌های مخلوط گوسی در Stan
• 38. پیاده‌سازی مدل‌های مخلوط گوسی در Stan
• 39. مقدمه‌ای بر شبکه‌های عصبی
• 40. پیاده‌سازی شبکه‌های عصبی ساده در Stan
• 41. استفاده از Stan برای بهینه‌سازی
• 42. بهینه‌سازی مقید در Stan
• 43. بهینه‌سازی نامقید در Stan
• 44. روش‌های نمونه‌برداری پیشرفته در Stan
• 45. نمونه‌برداری با پارامترهای متغیر (NUTS)
• 46. کاربرد NUTS در مدل‌های پیچیده
• 47. مقدمه‌ای بر مدل‌های گرافیکی
• 48. مدل‌های گرافیکی بیزی در Stan
• 49. پیاده‌سازی مدل‌های گرافیکی در Stan
• 50. مقدمه‌ای بر استنتاج بیزی
• 51. مفاهیم پیشین و پسین
• 52. محاسبه احتمال پسین در Stan
• 53. مقدمه‌ای بر مدل‌سازی احتمالی
• 54. تفسیر نتایج مدل‌سازی احتمالی
• 55. استفاده از Stan در تحقیقات علمی
• 56. کاربرد Stan در علوم اجتماعی
• 57. کاربرد Stan در علوم زیستی
• 58. کاربرد Stan در اقتصاد
• 59. کاربرد Stan در مهندسی
• 60. مقدمه‌ای بر زبان R و Stan
• 61. اتصال R و Stan
• 62. استفاده از بسته rstan در R
• 63. تجسم نتایج مدل در R
• 64. مقدمه‌ای بر زبان Python و Stan
• 65. اتصال Python و Stan
• 66. استفاده از بسته pystan در Python
• 67. تجسم نتایج مدل در Python
• 68. مقدمه‌ای بر بهینه‌سازی بیزی
• 69. کاربرد بهینه‌سازی بیزی در طراحی آزمایش
• 70. بهینه‌سازی بیزی برای تنظیم ابرپارامترها
• 71. مقدمه‌ای بر مدل‌های عمومی خطی تعمیم‌یافته (GLM)
• 72. پیاده‌سازی GLM در Stan
• 73. مقدمه‌ای بر مدل‌های مکانی
• 74. مدل‌های مکانی بیزی در Stan
• 75. پیاده‌سازی مدل‌های مکانی در Stan
• 76. مقدمه‌ای بر مدل‌های آماری پیشرفته
• 77. مدل‌های پایداری در Stan
• 78. مدل‌های پیش‌بینی احتمالی
• 79. مقدمه‌ای بر یادگیری ماشین بیزی
• 80. مقایسه یادگیری ماشین بیزی و کلاسیک
• 81. کاربرد Stan در مدل‌سازی تصمیم‌گیری
• 82. مقدمه‌ای بر مدل‌های رگرسیون کوانتیل
• 83. پیاده‌سازی رگرسیون کوانتیل در Stan
• 84. مقدمه‌ای بر مدل‌های سلسله مراتبی مکانی
• 85. پیاده‌سازی مدل‌های سلسله مراتبی مکانی در Stan
• 86. مقدمه‌ای بر مدل‌های پویا
• 87. مدل‌های پویا در Stan
• 88. پیاده‌سازی مدل‌های پویا در Stan
• 89. مقدمه‌ای بر مدل‌های چندسطحی
• 90. پیاده‌سازی مدل‌های چندسطحی در Stan
• 91. مقدمه‌ای بر مدل‌های آماری بیزی برای داده‌های پرت
• 92. پیاده‌سازی مدل‌های داده‌های پرت در Stan
• 93. مقدمه‌ای بر مدل‌های آماری بیزی برای داده‌های نامتوازن
• 94. پیاده‌سازی مدل‌های داده‌های نامتوازن در Stan
• 95. مقدمه‌ای بر مدل‌های آماری بیزی برای داده‌های حجیم
• 96. پیاده‌سازی مدل‌های داده‌های حجیم در Stan
• 97. مقدمه‌ای بر مدل‌های آماری بیزی برای داده‌های دارای ابعاد بالا
• 98. پیاده‌سازی مدل‌های داده‌های ابعاد بالا در Stan
• 99. مقدمه‌ای بر مدل‌های آماری بیزی برای داده‌های ترکیبی
• 100. پیاده‌سازی مدل‌های داده‌های ترکیبی در Stan