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. مقدمه‌ای بر مدل‌سازی آماری در Stan
• 2. مفاهیم پایه در مدل‌سازی احتمالاتی
• 3. مقدمه‌ای بر زبان برنامه‌نویسی R برای Stan
• 4. نصب و پیکربندی Stan در R
• 5. نوشتن اولین مدل ساده در Stan
• 6. کار با متغیرهای پیوسته در Stan
• 7. مدل‌های رگرسیون خطی در Stan
• 8. کار با متغیرهای گسسته در Stan
• 9. مدل‌های رگرسیون لجستیک در Stan
• 10. مدل‌های رگرسیون پواسون در Stan
• 11. مقدمه‌ای بر مدل‌های سلسله‌مراتبی
• 12. مدل‌های سلسله‌مراتبی خطی در Stan
• 13. مدل‌های سلسله‌مراتبی لجستیک در Stan
• 14. مدل‌های اثرات مختلط در Stan
• 15. پیش‌پردازش داده‌ها برای مدل‌سازی
• 16. استانداردسازی و نرمال‌سازی داده‌ها
• 17. مدیریت داده‌های گمشده در مدل‌سازی
• 18. اعتبارسنجی مدل‌های آماری
• 19. معیارهای ارزیابی مدل
• 20. تشخیص همبستگی و واریانس تورم
• 21. مدل‌های خطای متغیر در Stan
• 22. مدل‌های سری زمانی مقدماتی
• 23. مدل‌های ARIMA در Stan
• 24. مدل‌های پیش‌بینی در Stan
• 25. روش‌های نمونه‌برداری مونت کارلو زنجیره مارکوف (MCMC)
• 26. مفاهیم اولیه MCMC
• 27. الگوریتم گیبس سمپلینگ
• 28. الگوریتم هَمیلتیونی مونت کارلو (HMC)
• 29. بهینه‌سازی پارامترهای HMC
• 30. ارزیابی همگرایی MCMC
• 31. نمودارهایtrace و autocorrelation
• 32. شاخص‌های همگرایی (R-hat، ESS)
• 33. پس‌پردازش نتایج MCMC
• 34. استنتاج بیزی در Stan
• 35. مفاهیم احتمال پیشین و پسین
• 36. تعیین توزیع‌های پیشین مناسب
• 37. کار با توزیع‌های پیشین غیرمطلع
• 38. تبدیل مدل‌های فرکونتیست به بیزی
• 39. کار با مدل‌های Bi-level
• 40. مدل‌های Bi-level برای داده‌های پیوسته
• 41. مدل‌های Bi-level برای داده‌های گسسته
• 42. مدل‌های Bi-level با اثرات مختلط
• 43. مدل‌های Bi-level برای سری‌های زمانی
• 44. مدل‌های Bi-level برای شبکه‌های اجتماعی
• 45. مدل‌های Bi-level برای تحلیل بقا
• 46. مدل‌های Bi-level در پزشکی
• 47. مدل‌های Bi-level در علوم اجتماعی
• 48. مدل‌های Bi-level در اقتصاد
• 49. کار با داده‌های حجیم در Stan
• 50. بهینه‌سازی سرعت اجرای مدل‌ها
• 51. استفاده از Stan با داده‌های بزرگ
• 52. موازی‌سازی محاسبات در Stan
• 53. بهینه‌سازی حافظه در Stan
• 54. اشکال‌زدایی مدل‌های پیچیده
• 55. شناسایی خطاهای رایج در Stan
• 56. روش‌های عیب‌یابی مدل‌ها
• 57. استفاده از ابزارهای اشکال‌زدایی
• 58. مدل‌های آماری پیشرفته
• 59. مدل‌های فضای حالت در Stan
• 60. مدل‌های گرافیکی در Stan
• 61. مدل‌های شبکه‌ای در Stan
• 62. مدل‌های هرم‌گونه در Stan
• 63. مدل‌های یادگیری ماشین بیزی
• 64. رگرسیون بیزی گوسی در Stan
• 65. دسته‌بندی بیزی در Stan
• 66. خوشه‌بندی بیزی در Stan
• 67. مدل‌های پنهان مارکوف در Stan
• 68. کار با داده‌های مکانی-زمانی
• 69. مدل‌های مکانی در Stan
• 70. مدل‌های زمانی در Stan
• 71. مدل‌های مکانی-زمانی در Stan
• 72. تحلیل داده‌های نظرسنجی در Stan
• 73. مدل‌های انتخاب گسسته در Stan
• 74. مدل‌های انتخاب ترتیبی در Stan
• 75. مدل‌های انتخاب چندوجهی در Stan
• 76. مدل‌های انتخاب گسسته با اثرات مختلط
• 77. کاربرد Stan در علوم زیستی
• 78. مدل‌سازی ژنتیکی در Stan
• 79. مدل‌سازی اپیدمیولوژیکی در Stan
• 80. مدل‌سازی رفتاری در Stan
• 81. کاربرد Stan در علوم انسانی
• 82. تحلیل داده‌های تاریخی در Stan
• 83. تحلیل داده‌های زبانی در Stan
• 84. تحلیل داده‌های فرهنگی در Stan
• 85. مدل‌سازی تصمیم‌گیری در Stan
• 86. مدل‌سازی اقتصادی در Stan
• 87. مدل‌سازی مالی در Stan
• 88. مدل‌سازی ریسک در Stan
• 89. مدل‌سازی بیمه در Stan
• 90. مدل‌سازی سرمایه‌گذاری در Stan
• 91. مدل‌سازی بهینه‌سازی در Stan
• 92. پیشرفت‌های اخیر در Stan
• 93. برنامه‌ریزی برای مدل‌های پیچیده‌تر
• 94. نکات پیشرفته در استفاده از Stan
• 95. منابع تکمیلی برای یادگیری Stan
• 96. کاربردهای عملی Stan در پروژه‌ها
• 97. جمع‌بندی و گام‌های بعدی