دوره تنظیمات پیشرفته برای مدل‌سازی در Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته برای مدل‌سازی در 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 زبان Stan
• 2. مفاهیم پایه در مدل‌سازی بیزی
• 3. توزیع‌های احتمال و کاربرد آن‌ها
• 4. توزیع‌های پیشین و پسین
• 5. روش‌های نمونه‌برداری در Stan: MCMC
• 6. الگوریتم‌های نمونه‌برداری: Metropolis-Hastings
• 7. الگوریتم نمونه‌برداری: Gibbs Sampling
• 8. الگوریتم نمونه‌برداری: Hamiltonian Monte Carlo (HMC)
• 9. نوشتن مدل‌های ساده در Stan
• 10. ساختار برنامه Stan: data, parameters, model, generated quantities
• 11. تعریف متغیرها و ابعاد در Stan
• 12. نوشتن عبارت‌های احتمالی در Stan
• 13. انجام تحلیل‌های بیزی مقدماتی
• 14. مدل‌های رگرسیون خطی بیزی
• 15. مدل‌های رگرسیون لجستیک بیزی
• 16. مدل‌های سری زمانی بیزی
• 17. مدل‌های سلسله‌مراتبی بیزی
• 18. مقدمه‌ای بر مدل‌های سلسله‌مراتبی
• 19. طراحی مدل‌های سلسله‌مراتبی با Stan
• 20. کاربرد مدل‌های سلسله‌مراتبی در علوم اجتماعی
• 21. کاربرد مدل‌های سلسله‌مراتبی در پزشکی
• 22. کاربرد مدل‌های سلسله‌مراتبی در اقتصاد
• 23. مدل‌های خطای مختلط
• 24. مدل‌های اثرات ثابت و تصادفی
• 25. مدل‌های مقایسه‌ای در Stan
• 26. تحلیل بقا در Stan
• 27. مدل‌های کاکس متناسب
• 28. مدل‌های بقا با اثرات مختلط
• 29. مدل‌های رگرسیون کوواریانس بیزی
• 30. مدل‌های داده‌های گسسته در Stan
• 31. مدل‌های رگرسیون پواسون
• 32. مدل‌های رگرسیون دوجمله‌ای منفی
• 33. مدل‌های رگرسیون چندجمله‌ای
• 34. مدل‌های داده‌های حجمی
• 35. مدل‌های رگرسیون برای داده‌های حجمی
• 36. کاربرد مدل‌های داده‌های حجمی در اقتصاد
• 37. کاربرد مدل‌های داده‌های حجمی در زیست‌شناسی
• 38. مدل‌های فضایی در Stan
• 39. مقدمه‌ای بر مدل‌سازی فضایی
• 40. مدل‌های رگرسیون فضایی ایزوتروپیک
• 41. مدل‌های رگرسیون فضایی آیزوتروپیک ناهمسان
• 42. مدل‌های خودرگرسیو فضایی (CAR)
• 43. مدل‌های خودهمبسته فضایی (SAR)
• 44. کاربرد مدل‌های فضایی در علوم زمین
• 45. کاربرد مدل‌های فضایی در اپیدمیولوژی
• 46. مدل‌های شبکه‌ای در Stan
• 47. مقدمه‌ای بر مدل‌سازی شبکه‌ای
• 48. مدل‌های همگنی و ناهمگنی در شبکه‌ها
• 49. مدل‌های مبتنی بر موقعیت در شبکه‌ها
• 50. مدل‌های مبتنی بر ویژگی در شبکه‌ها
• 51. مدل‌های همبستگی در شبکه‌ها
• 52. کاربرد مدل‌های شبکه‌ای در جامعه‌شناسی
• 53. کاربرد مدل‌های شبکه‌ای در علوم سیاسی
• 54. مدل‌های آماری پیشرفته در Stan
• 55. مدل‌های گرافیکی بیزی
• 56. روش‌های استنتاج بیزی غیرپارامتری
• 57. مدل‌های مخلوط توزیعی
• 58. مدل‌های تعمیم‌یافته خطی مختلط
• 59. مدل‌های مارکوف پنهان
• 60. مدل‌های مارکوف پنهان با اثرات مختلط
• 61. مدل‌های رگرسیون ناپارامتری
• 62. روش‌های انتخاب مدل در Stan
• 63. معیار اطلاعات بیزی (BIC)
• 64. معیار اطلاعات آکائیکه (AIC)
• 65. اعتبار سنجی متقابل (Cross-validation)
• 66. تحلیل حساسیت مدل
• 67. ارزیابی کیفیت مدل با معیارهای مختلف
• 68. تشخیص و رفع مشکلات در نمونه‌برداری MCMC
• 69. بررسی همگرایی الگوریتم‌های نمونه‌برداری
• 70. معیارهای مختلف همگرایی (R-hat, ESS)
• 71. تجسم نتایج مدل‌سازی
• 72. نمایش توزیع‌های پسین پارامترها
• 73. رسم نمودارهای پیش‌بینی
• 74. تجسم مدل‌های پیچیده
• 75. کاربرد Stan در پروژه‌های تحقیقاتی
• 76. مطالعات موردی در علوم رفتاری
• 77. مطالعات موردی در علوم بهداشتی
• 78. مطالعات موردی در علوم محیطی
• 79. مطالعات موردی در علوم مالی
• 80. نکات پیشرفته در برنامه‌نویسی Stan
• 81. بهینه‌سازی کد Stan برای سرعت
• 82. استفاده از قابلیت‌های موازی‌سازی
• 83. مدیریت حافظه در Stan
• 84. مقدمه‌ای بر زبان R و ارتباط آن با Stan
• 85. استفاده از بسته rstan
• 86. استفاده از بسته cmdstanr
• 87. استفاده از بسته brms
• 88. تجسم نتایج با ggplot2
• 89. انجام تحلیل‌های آماری پیشرفته با R و Stan
• 90. ساخت داشبوردهای تعاملی برای نتایج مدل
• 91. مقدمه‌ای بر زبان پایتون و ارتباط آن با Stan
• 92. استفاده از بسته pystan
• 93. مقدمه‌ای بر زبان Julia و ارتباط آن با Stan
• 94. استفاده از بسته Turing.jl
• 95. روش‌های مدرن مدل‌سازی آماری
• 96. مقدمه‌ای بر یادگیری ماشین بیزی
• 97. مدل‌های استنتاج متغیر (Variational Inference)
• 98. مقایسه روش‌های MCMC و Variational Inference
• 99. کاربرد مدل‌سازی پیشرفته در تصمیم‌گیری
• 100. تفسیر نتایج مدل در چارچوب قوانین کشور