دوره مخاطرات و تنظیمات کلیدی در Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مخاطرات و تنظیمات کلیدی در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر Stan و آمار بیزی
• 2. نصب و راه‌اندازی Stan: محیط‌های مختلف
• 3. ساختار یک مدل Stan
• 4. انواع داده در Stan
• 5. توابع و توزیع‌های احتمال در Stan
• 6. تعریف مدل‌های آماری ساده در Stan
• 7. مدل‌سازی خطی در Stan
• 8. مدل‌سازی رگرسیونی در Stan
• 9. مدل‌سازی تعمیم‌یافته (GLM) در Stan
• 10. مدل‌سازی سلسله‌مراتبی (Hierarchical Modeling) در Stan
• 11. مفهوم پارامترهای نمونه‌گیری در Stan
• 12. انتخاب الگوریتم نمونه‌گیری مناسب (NUTS, HMC, Metropolis)
• 13. تنظیم پارامترهای الگوریتم نمونه‌گیری: گام‌ها و تنظیمات
• 14. تشخیص همگرایی: R-hat، Effective Sample Size (ESS)
• 15. تفسیر خروجی Stan: آمار توصیفی و بازه‌های معتبر
• 16. مشکلات رایج در همگرایی و راه‌حل‌ها
• 17. تنظیمات پیش‌فرض Stan و تاثیر آن‌ها
• 18. بهینه‌سازی مدل‌های Stan: کاهش زمان اجرا
• 19. استفاده از محدودیت‌ها (Constraints) در Stan
• 20. مدل‌سازی داده‌های از دست رفته (Missing Data) در Stan
• 21. مدل‌سازی داده‌های سانسور شده (Censored Data) در Stan
• 22. استفاده از Priorهای آگاهانه (Informative Priors)
• 23. انتخاب Prior مناسب و تاثیر آن بر نتایج
• 24. مدل‌سازی متغیرهای تصادفی گسسته در Stan
• 25. مدل‌سازی سری‌های زمانی در Stan
• 26. مدل‌سازی مدل‌های ترکیبی (Mixture Models) در Stan
• 27. بررسی و اعتبارسنجی مدل‌های Stan
• 28. مقایسه مدل‌ها با استفاده از WAIC و LOO-CV
• 29. اشتباهات رایج در کدنویسی Stan و نحوه رفع آن‌ها
• 30. استفاده از Stan با زبان‌های برنامه‌نویسی دیگر (R, Python)
• 31. آشنایی با Stan Diagnostics
• 32. بهبود کارایی مدل با استفاده از توابع تبدیل (Transformations)
• 33. مدل‌سازی با داده‌های بزرگ در Stan
• 34. استفاده از Stan برای Bayesian A/B Testing