دوره رفع مشکلات رایج در مدل‌سازی با Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رفع مشکلات رایج در مدل‌سازی با 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 مفاهیم پایه
• 2. اصول احتمال و آمار استنباطی در مدل‌سازی
• 3. معرفی زبان برنامه‌نویسی R و ابزارهای آن
• 4. مبانی مدل‌سازی رگرسیونی خطی
• 5. برآورد پارامترها در مدل‌های خطی
• 6. ارزیابی و انتخاب مدل‌های خطی
• 7. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 8. مدل رگرسیون لجستیک برای داده‌های دودویی
• 9. مدل پواسون برای داده‌های شمارشی
• 10. مدل‌های خطی تعمیم‌یافته با توزیع‌های دیگر
• 11. مفاهیم پایه در مدل‌سازی سلسله‌مراتبی
• 12. مزایای مدل‌سازی سلسله‌مراتبی
• 13. مقدمه بر زبان Stan برای مدل‌سازی آماری
• 14. نصب و پیکربندی Stan
• 15. سینتکس پایه زبان Stan
• 16. نوشتن اولین مدل در Stan
• 17. انواع مدل‌ها در Stan: مدل‌های خطی
• 18. انواع مدل‌ها در Stan: مدل‌های خطی تعمیم‌یافته
• 19. انواع مدل‌ها در Stan: مدل‌های سلسله‌مراتبی
• 20. مدل‌سازی اثرات ثابت و تصادفی در Stan
• 21. مدل‌سازی اثرات تصادفی در سطوح مختلف
• 22. مدل‌سازی داده‌های طولی و سری زمانی با Stan
• 23. مدل‌سازی خودهمبستگی در داده‌ها
• 24. مقدمه‌ای بر مدل‌های مارکوف زنجیره‌ای مونت کارلو (MCMC)
• 25. کاربرد MCMC در برآورد پارامترها
• 26. الگوریتم‌های نمونه‌برداری MCMC در Stan (NUTS)
• 27. عیب‌یابی و تشخیص مشکلات MCMC
• 28. ارزیابی همگرایی زنجیره‌ها در MCMC
• 29. شاخص‌های ارزیابی کیفیت نمونه‌گیری MCMC
• 30. اعتبارسنجی مدل با استفاده از داده‌های جدید
• 31. اعتبارسنجی متقابل (Cross-validation) در Stan
• 32. پیش‌بینی و تحلیل عدم قطعیت در مدل‌های Stan
• 33. مقدمه‌ای بر مدل‌های بیزی
• 34. تفاوت مدل‌سازی بیزی و فراوانی‌گرا
• 35. استفاده از توزیع‌های پیشین در مدل‌های بیزی
• 36. برآورد توزیع پسین در Stan
• 37. تحلیل حساسیت به توزیع‌های پیشین
• 38. مدل‌سازی رگرسیونی بیزی خطی
• 39. مدل‌سازی رگرسیونی بیزی تعمیم‌یافته
• 40. مدل‌سازی بیزی سلسله‌مراتبی
• 41. مدل‌سازی بیزی برای داده‌های ساختاریافته
• 42. مدل‌سازی بیزی برای داده‌های خوشه‌ای
• 43. مدل‌سازی بیزی برای داده‌های رتبه‌ای
• 44. مدل‌سازی بیزی برای داده‌های بقا
• 45. مدل‌سازی بیزی برای مدل‌های فضایی
• 46. مدل‌سازی بیزی برای مدل‌های شبکه‌ای
• 47. استفاده از کتابخانه‌های R برای تعامل با Stan
• 48. بسته‌های R برای پیش‌پردازش داده‌ها برای Stan
• 49. بسته‌های R برای پس‌پردازش نتایج Stan
• 50. Visualizing MCMC chains and posterior distributions
• 51. رسم نمودارهای توزیع پسین پارامترها
• 52. رسم نمودارهای سری زمانی نمونه‌گیری
• 53. نمودارهای تشخیصی برای ارزیابی همگرایی
• 54. مدل‌سازی مشکلات رایج در داده‌های تجربی
• 55. مدل‌سازی داده‌های پرت (Outliers)
• 56. مدل‌سازی داده‌های گمشده (Missing Data)
• 57. استراتژی‌های مختلف برای مدیریت داده‌های گمشده
• 58. مدل‌سازی ناهمگنی واریانس (Heteroscedasticity)
• 59. مدل‌سازی خودهمبستگی باقی‌مانده‌ها
• 60. حل مشکلات مربوط به فرض‌های مدل
• 61. بررسی نقض فرض‌های مدل‌های خطی
• 62. بررسی نقض فرض‌های مدل‌های خطی تعمیم‌یافته
• 63. بررسی نقض فرض‌های مدل‌های سلسله‌مراتبی
• 64. تکنیک‌های پیشرفته در مدل‌سازی با Stan
• 65. مدل‌سازی اثرات متقابل (Interaction Effects)
• 66. مدل‌سازی اثرات غیرخطی با استفاده از Splines
• 67. استفاده از توابع پایه (Basis Functions) در Stan
• 68. مدل‌سازی داده‌های باینری با رویکرد بیزی
• 69. مدل‌سازی داده‌های شمارشی با رویکرد بیزی
• 70. مدل‌سازی داده‌های پیوسته با رویکرد بیزی
• 71. مدل‌سازی داده‌های گسسته با رویکرد بیزی
• 72. مدل‌سازی داده‌های دسته‌بندی شده (Ordinal Data)
• 73. مدل‌سازی داده‌های چندسطحی با Stan
• 74. مدل‌سازی داده‌های زمانی با Stan
• 75. مدل‌سازی داده‌های فضایی با Stan
• 76. مدل‌سازی داده‌های شبکه‌ای با Stan
• 77. مدل‌سازی رویدادهای نادر (Rare Events)
• 78. مدل‌سازی پیش‌بینی‌های پیچیده
• 79. روش‌های مقایسه مدل‌ها در Stan
• 80. معیارهای اطلاعاتی برای مقایسه مدل‌ها (DIC, WAIC)
• 81. استفاده از آزمون‌های فرضی برای مقایسه مدل‌ها
• 82. روش‌های اعتبارسنجی مدل‌های بیزی
• 83. اعتبارسنجی پیش‌بینی‌ها (Posterior Predictive Checks)
• 84. مقایسه توزیع پسین با داده‌های واقعی
• 85. ارزیابی عملکرد مدل در شرایط مختلف
• 86. مدل‌سازی مشکلات خاص در حوزه‌های علمی
• 87. مدل‌سازی در علوم زیستی و پزشکی
• 88. مدل‌سازی در علوم اجتماعی و اقتصادی
• 89. مدل‌سازی در علوم مهندسی و محیط زیست
• 90. مقدمه‌ای بر بهینه‌سازی پارامترها در Stan
• 91. استفاده از Stan برای مسائل بهینه‌سازی
• 92. مدل‌سازی مسائل بهینه‌سازی پیچیده
• 93. بهینه‌سازی با محدودیت‌های بیزی
• 94. مقدمه‌ای بر یادگیری ماشین بیزی
• 95. کاربرد Stan در یادگیری ماشین
• 96. مدل‌سازی پیش‌بینی با استفاده از Stan
• 97. ارزیابی عملکرد مدل‌های یادگیری ماشین
• 98. مباحث پیشرفته در مدل‌سازی با Stan
• 99. مدل‌سازی ساختارهای پیچیده داده‌ای
• 100. استفاده از Stan در محاسبات موازی