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 با Stan
• 2. نصب و راه‌اندازی Stan و ابزارهای مرتبط
• 3. آشنایی با زبان مدل‌سازی Stan
• 4. انواع داده‌ها و توزیع‌های احتمال در Stan
• 5. تعریف مدل‌های آماری ساده در Stan
• 6. تخمین پارامترها با استفاده از روش‌های MCMC
• 7. ارزیابی همگرایی زنجیره‌های MCMC
• 8. پیش‌بینی و بررسی مدل
• 9. مدل‌سازی رگرسیون خطی در Stan
• 10. مدل‌سازی رگرسیون لجستیک در Stan
• 11. مدل‌سازی ANOVA در Stan
• 12. مدل‌سازی اثرات تصادفی در Stan
• 13. مدل‌سازی مدل‌های سلسله مراتبی
• 14. مدل‌سازی مدل‌های خطی تعمیم‌یافته (GLM)
• 15. مدل‌سازی مدل‌های غیرخطی
• 16. مدل‌سازی سری‌های زمانی
• 17. مدل‌سازی داده‌های گسسته
• 18. مدل‌سازی داده‌های از دست رفته
• 19. استفاده از Priorهای اطلاع‌رسان و غیر اطلاع‌رسان
• 20. انتخاب Prior مناسب برای مدل
• 21. بررسی حساسیت مدل به Prior
• 22. بهینه‌سازی مدل Stan برای سرعت و دقت
• 23. اشکال‌زدایی مدل‌های Stan
• 24. مدل‌سازی با داده‌های بزرگ در Stan
• 25. استفاده از Stan با R
• 26. استفاده از Stan با Python
• 27. استفاده از Stan با Julia
• 28. مقایسه Stan با سایر زبان‌های مدل‌سازی آماری
• 29. مدل‌سازی Bayesian در علوم پزشکی
• 30. مدل‌سازی Bayesian در علوم اجتماعی
• 31. مدل‌سازی Bayesian در مهندسی
• 32. مدل‌سازی Bayesian در اقتصاد
• 33. مدل‌سازی Bayesian در علوم محیطی
• 34. بررسی خروجی‌های Stan
• 35. تفسیر پارامترهای مدل
• 36. ارزیابی برازش مدل
• 37. اعتبارسنجی مدل
• 38. تشخیص مشکلات رایج در مدل‌سازی Stan
• 39. روش‌های بهبود عملکرد مدل
• 40. مستندسازی مدل‌های Stan
• 41. به اشتراک‌گذاری مدل‌های Stan
• 42. استفاده از کتابخانه‌های Stan
• 43. مدل‌سازی Bayesian غیرپارامتری
• 44. مدل‌سازی با توابع انتقال
• 45. مدل‌سازی مدل‌های تغییر حالت
• 46. مدل‌سازی مدل‌های پنهان مارکوف
• 47. مدل‌سازی مدل‌های پویا
• 48. استفاده از Stan برای شبیه‌سازی
• 49. مدل‌سازی Bayesian چندمتغیره
• 50. مدل‌سازی مدل‌های ترکیبی
• 51. مدل‌سازی مدل‌های غیرمعمول
• 52. مدل‌سازی با متغیرهای طبقه‌بندی
• 53. مدل‌سازی با داده‌های سانسور شده
• 54. مدل‌سازی با داده‌های ترانکیته
• 55. مدل‌سازی مدل‌های بقا
• 56. مدل‌سازی Bayesian در یادگیری ماشین
• 57. مدل‌سازی Bayesian برای انتخاب ویژگی
• 58. مدل‌سازی Bayesian برای خوشه‌بندی
• 59. مدل‌سازی Bayesian برای طبقه‌بندی
• 60. مدل‌سازی Bayesian برای رگرسیون
• 61. استفاده از Stan برای تحلیل حساسیت
• 62. مدل‌سازی Bayesian در کنترل کیفیت
• 63. مدل‌سازی Bayesian در پیش‌بینی تقاضا
• 64. مدل‌سازی Bayesian در مدیریت ریسک
• 65. مدل‌سازی Bayesian در بهینه‌سازی
• 66. مدل‌سازی Bayesian در تحلیل داده‌های مکانی
• 67. مدل‌سازی Bayesian در تحلیل داده‌های زمانی-مکانی
• 68. مفاهیم پیشرفته در مدل‌سازی Stan
• 69. انتخاب الگوریتم نمونه‌برداری مناسب
• 70. تنظیم پارامترهای الگوریتم MCMC
• 71. مدل‌سازی Bayesian با استفاده از Stan و RStanARM
• 72. درک و تفسیر توابع Posterior Predictive Check
• 73. روش‌های ارزیابی و مقایسه مدل‌های Bayesian
• 74. استفاده از Stan برای تحلیل داده‌های پانل
• 75. مدل‌سازی Bayesian در علم داده
• 76. مدل‌سازی Bayesian برای تحلیل سری‌های زمانی مالی
• 77. مدل‌سازی Bayesian برای پیش‌بینی قیمت سهام