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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای رفع اشکال و بهینه‌سازی 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 و استنتاج بیزی
• 2. مفاهیم پایه احتمال و آمار
• 3. مقدمه‌ای بر زبان برنامه‌نویسی R
• 4. نصب و پیکربندی Stan
• 5. نوشتن اولین مدل ساده در Stan
• 6. مفاهیم مدل‌سازی سلسله مراتبی
• 7. استفاده از داده‌های واقعی برای آموزش
• 8. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLMs)
• 9. مدل‌سازی رگرسیون خطی در Stan
• 10. مدل‌سازی رگرسیون لجستیک در Stan
• 11. مدل‌سازی رگرسیون پواسون در Stan
• 12. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو (MCMC)
• 13. اصول و کاربردهای MCMC
• 14. روش‌های نمونه‌برداری در MCMC
• 15. تشخیص همگرایی در MCMC
• 16. معیارهای همگرایی MCMC
• 17. بهبود کارایی MCMC
• 18. استفاده از Stan برای مدل‌های پیچیده‌تر
• 19. مدل‌سازی اثرات مختلط (Mixed Effects Models)
• 20. مدل‌سازی سری‌های زمانی در Stan
• 21. مدل‌سازی داده‌های مکانی در Stan
• 22. مدل‌سازی مدل‌های بقا (Survival Models)
• 23. مدل‌سازی مدل‌های رتبه‌بندی (Ordinal Models)
• 24. مدل‌سازی مدل‌های چند سطحی (Multilevel Models)
• 25. مدل‌سازی مدل‌های عاملی (Factor Models)
• 26. مدل‌سازی مدل‌های معادلات ساختاری (SEM)
• 27. مقدمه‌ای بر بهینه‌سازی بیزی
• 28. کاربرد بهینه‌سازی بیزی در مدل‌سازی
• 29. مقدمه‌ای بر بهینه‌سازی مدل‌های Stan
• 30. روش‌های بهینه‌سازی در Stan
• 31. رفع اشکال مدل‌های Stan
• 32. شناسایی خطاهای رایج در Stan
• 33. استراتژی‌های رفع اشکال پیشرفته
• 34. عیب‌یابی خطاهای زمان کامپایل
• 35. عیب‌یابی خطاهای زمان اجرا
• 36. عیب‌یابی خطاهای همگرایی
• 37. بهینه‌سازی کد Stan
• 38. اصول کدنویسی تمیز در Stan
• 39. اصلاح ساختار مدل برای کارایی بهتر
• 40. استفاده از بردارها و ماتریس‌ها بهینه
• 41. کاهش محاسبات اضافی در مدل
• 42. استفاده از توابع کمکی در Stan
• 43. تکنیک‌های پیشرفته نمونه‌برداری
• 44. استانداردسازی متغیرها برای بهبود همگرایی
• 45. اعتبارسنجی مدل‌های Stan
• 46. تست‌های تشخیصی برای اعتبار مدل
• 47. مقایسه مدل‌های مختلف
• 48. انتخاب مدل با استفاده از معیارهای اطلاعاتی
• 49. انطباق مدل با داده‌ها
• 50. تحلیل حساسیت مدل
• 51. پیش‌بینی با استفاده از مدل‌های Stan
• 52. تفسیر نتایج مدل‌سازی
• 53. گزارش‌دهی نتایج مدل‌های Stan
• 54. مقدمه‌ای بر مدل‌سازی بیزی پیشرفته
• 55. روش‌های نمونه‌برداری متغیرهای پنهان
• 56. مدل‌سازی داده‌های گمشده در Stan
• 57. مدل‌سازی داده‌های حجیم در Stan
• 58. مدل‌سازی مدل‌های بیزی غیرپارامتری
• 59. استفاده از Stan برای مدل‌های یادگیری ماشین
• 60. شبکه‌های عصبی بیزی با Stan
• 61. مدل‌های گرافیکی بیزی با Stan
• 62. مدل‌سازی بیزی برای داده‌های شبکه‌ای
• 63. مدل‌سازی بیزی برای داده‌های زمان-رویداد
• 64. مدل‌سازی بیزی برای داده‌های متنی
• 65. مدل‌سازی بیزی برای داده‌های تصویری
• 66. استفاده از Stan در تحقیقات علمی
• 67. کاربرد Stan در علوم زیستی
• 68. کاربرد Stan در علوم اجتماعی
• 69. کاربرد Stan در اقتصاد
• 70. کاربرد Stan در مهندسی
• 71. کاربرد Stan در روانشناسی
• 72. کاربرد Stan در علوم محیطی
• 73. کاربرد Stan در پزشکی
• 74. مقدمه‌ای بر ابزارهای مرتبط با Stan
• 75. استفاده از RStanARM
• 76. استفاده از brms
• 77. استفاده از CmdStanPy
• 78. استفاده از PyStan
• 79. مقدمه‌ای بر مدل‌سازی بیزی در دنیای واقعی
• 80. مطالعات موردی در مدل‌سازی بیزی
• 81. کاربرد مدل‌سازی بیزی در سیاست‌گذاری
• 82. کاربرد مدل‌سازی بیزی در ارزیابی ریسک
• 83. کاربرد مدل‌سازی بیزی در تصمیم‌گیری
• 84. مقدمه‌ای بر مفاهیم پیشرفته آمار بیزی
• 85. نظریه اطلاعات و مدل‌سازی بیزی
• 86. مدل‌های بیزی پویا
• 87. مدل‌سازی بیزی برای داده‌های ساختاریافته
• 88. مقدمه‌ای بر ابزارهای پیشرفته رفع اشکال
• 89. تکنیک‌های عیب‌یابی پیشرفته برای مدل‌های پیچیده
• 90. بهینه‌سازی عملکرد کد Stan در مقیاس بزرگ
• 91. بررسی تفاوت‌های بین روش‌های مختلف نمونه‌گیری
• 92. تحلیل حساسیت نسبت به پیشینه‌ها
• 93. روش‌های اعتبارسنجی متقاطع برای مدل‌های بیزی
• 94. تکنیک‌های شبیه‌سازی برای اعتبارسنجی مدل
• 95. مدل‌سازی بیزی برای داده‌های تکراری
• 96. مقدمه‌ای بر ابزارهای تجسم داده‌های Stan
• 97. استفاده از ggplot2 برای تجسم نتایج Stan
• 98. تجسم همگرایی MCMC
• 99. تجسم توزیع‌های پسین
• 100. تفسیر آماری مدل‌های پیچیده