دوره تنظیمات پیشرفته for Bayesian Modeling in Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته for Bayesian Modeling in Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌سازی بیزی و استن
• 2. مبانی احتمال و استن
• 3. توزیع‌های احتمال پیشین و پسین
• 4. مفهوم تابع درست‌نمایی
• 5. مدل‌سازی سلسله مراتبی
• 6. نوشتن مدل‌های استن: سینتکس پایه
• 7. انواع داده در استن
• 8. تعریف متغیرهای مشاهده‌شده و پنهان
• 9. استفاده از داده‌های ساختاریافته در استن
• 10. مدل‌های رگرسیون خطی بیزی
• 11. رگرسیون لجستیک بیزی
• 12. مدل‌های خطی تعمیم‌یافته (GLMs) در استن
• 13. مدل‌های اثرات مختلط (Mixed-Effects Models)
• 14. نوشتن مدل‌های GLM در استن
• 15. مدل‌های سلسله مراتبی برای داده‌های طبقه‌بندی‌شده
• 16. مدل‌های رگرسیون پواسون در استن
• 17. مدل‌های رگرسیون دوجمله‌ای در استن
• 18. مدل‌های سری زمانی بیزی
• 19. مدل‌سازی ناهمگنی واریانس (Heteroskedasticity)
• 20. مدل‌های چندسطحی (Multilevel Models)
• 21. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو (MCMC)
• 22. الگوریتم گیبس سمپلینگ (Gibbs Sampling)
• 23. الگوریتم متروپولیس-هستینگز (Metropolis-Hastings)
• 24. تشخیص همگرایی در MCMC
• 25. معیارهای ارزیابی همگرایی: R-hat
• 26. معیارهای ارزیابی همگرایی: Trace Plots
• 27. معیارهای ارزیابی همگرایی: Autocorrelation Plots
• 28. کاهش واریانس در MCMC
• 29. استفاده از پارامترهای پیشین مناسب
• 30. انتخاب توزیع‌های پیشین غیرمطلع (Non-informative Priors)
• 31. انتخاب توزیع‌های پیشین مطلع (Informative Priors)
• 32. مدل‌سازی اثرات متقابل (Interaction Effects)
• 33. مدل‌سازی متغیرهای طبقه‌بندی‌شده (Categorical Variables)
• 34. استفاده از متغیرهای مجازی (Dummy Variables)
• 35. مدل‌سازی متغیرهای ترتیبی (Ordinal Variables)
• 36. مدل‌سازی متغیرهای پیوسته (Continuous Variables)
• 37. مدل‌سازی فضای حالت (State-Space Models)
• 38. استفاده از داده‌های گمشده (Missing Data) در استن
• 39. استراتژی‌های imputation برای داده‌های گمشده
• 40. مدل‌سازی داده‌های خوشه‌ای (Clustered Data)
• 41. مدل‌سازی داده‌های طولی (Longitudinal Data)
• 42. مدل‌سازی داده‌های فضایی (Spatial Data)
• 43. مدل‌سازی شبکه‌های عصبی بیزی
• 44. مدل‌سازی شبکه‌های بیزی (Bayesian Networks)
• 45. مقدمه‌ای بر بهینه‌سازی بیزی (Bayesian Optimization)
• 46. تکنیک‌های نمونه‌برداری پیشرفته
• 47. نمونه‌برداری از طریق تبدیل (Transformational Sampling)
• 48. نمونه‌برداری از طریق اهمیت (Importance Sampling)
• 49. نمونه‌گیری از طریق نمونه‌گیری مجدد (Resampling)
• 50. مدل‌سازی معادلات ساختاری بیزی (BSEM)
• 51. آزمون فرض آماری در چارچوب بیزی
• 52. مقایسه مدل‌ها با استفاده از معیارهای بیزی
• 53. معیار اطلاعات آکائیکه بیزی (BIC)
• 54. معیار اطلاعات آکائیکه اصلاح‌شده (AICc)
• 55. معیار اطلاعات کرایتریون (DIC)
• 56. معیار اطلاعات پسین پیش‌بینی‌کننده (PPIC)
• 57. اعتبار سنجی متقابل (Cross-Validation) در مدل‌سازی بیزی
• 58. اعتبار سنجی پیش‌بینی‌کننده (Predictive Cross-Validation)
• 59. تنظیم پارامترهای مدل (Parameter Tuning)
• 60. مدل‌سازی پیش‌بینی‌کننده (Predictive Modeling)
• 61. ارزیابی کیفیت پیش‌بینی‌ها
• 62. مدل‌سازی عدم قطعیت (Uncertainty Quantification)
• 63. استفاده از استن برای مدل‌سازی اقتصادسنجی
• 64. مدل‌سازی بیزی در علوم اجتماعی
• 65. مدل‌سازی بیزی در علوم پزشکی
• 66. مدل‌سازی بیزی در علوم زیستی
• 67. مدل‌سازی بیزی در علوم محیطی
• 68. مدل‌سازی بیزی در مهندسی
• 69. مدل‌سازی بیزی در یادگیری ماشین
• 70. مدل‌سازی بیزی برای داده‌های بزرگ (Big Data)
• 71. بهینه‌سازی کد استن
• 72. تکنیک‌های موازی‌سازی در استن
• 73. استفاده از بسته‌های کمکی استن
• 74. تجسم نتایج مدل‌های بیزی
• 75. رسم نمودارهای پسین (Posterior Plots)
• 76. رسم نمودارهای پیش‌بینی‌کننده (Predictive Plots)
• 77. رسم نمودارهای حساسیت (Sensitivity Plots)
• 78. کاربرد استن در پژوهش‌های علمی
• 79. نکات عملی برای نوشتن مدل‌های پیچیده
• 80. خطایابی در مدل‌های استن
• 81. مدیریت حافظه در استن
• 82. استفاده از GPU برای تسریع محاسبات
• 83. مقدمه‌ای بر زبان برنامه‌نویسی R و استن
• 84. اتصال R به استن
• 85. خواندن و نوشتن داده‌ها در R برای استن
• 86. تجسم نتایج استن در R
• 87. مدل‌سازی بیزی با استفاده از پایتون و استن
• 88. اتصال پایتون به استن
• 89. استفاده از کتابخانه‌های پایتون برای استن
• 90. مدل‌سازی بیزی با استفاده از Julia و استن
• 91. مقدمه‌ای بر زبان برنامه‌نویسی Stan
• 92. ساختار زبان Stan
• 93. توابع آماری در Stan
• 94. توابع ریاضی در Stan
• 95. دستورات کنترلی در Stan
• 96. مدیریت خطا در Stan
• 97. مفاهیم پیشرفته در مدل‌سازی بیزی
• 98. مدل‌سازی بیزی پویا (Dynamic Bayesian Modeling)
• 99. مدل‌سازی بیزی غیرپارامتری (Nonparametric Bayesian Modeling)
• 100. مدل‌سازی بیزی برای داده‌های کاهشی (Count Data)