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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته برای مدل‌سازی‌های پیچیده 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 بیزی
• 2. مفاهیم کلیدی احتمال و توزیع‌های آماری
• 3. آشنایی با زبان مدل‌سازی Stan
• 4. ساختار یک مدل Stan: داده‌ها، پارامترها و مدل
• 5. توابع توزیع احتمال در Stan (نرم، یکنواخت، دوجمله‌ای و غیره)
• 6. تعریف توابع likelihood در Stan
• 7. استفاده از priorها در مدل‌سازی بیزی
• 8. انتخاب prior مناسب: تأثیر بر نتایج
• 9. نمونه‌برداری زنجیره‌ای مارکوف مونت‌کارلو (MCMC)
• 10. الگوریتم‌های نمونه‌برداری MCMC در Stan
• 11. تشخیص همگرایی MCMC: R-hat و Effective Sample Size
• 12. تفسیر خروجی MCMC
• 13. مدل‌سازی رگرسیون خطی در Stan
• 14. مدل‌سازی رگرسیون لجستیک در Stan
• 15. مدل‌سازی مدل‌های خطی تعمیم‌یافته (GLM) در Stan
• 16. مدل‌سازی اثرات تصادفی در Stan
• 17. مدل‌سازی مدل‌های سلسله مراتبی (Hierarchical Models)
• 18. مدل‌سازی مدل‌های تغییر شکل (Change Point Models)
• 19. مدل‌سازی مدل‌های بقا (Survival Models)
• 20. مدل‌سازی سری‌های زمانی در Stan
• 21. مدل‌سازی مدل‌های ARIMA در Stan
• 22. مدل‌سازی مدل‌های فضای حالت (State-Space Models)
• 23. استفاده از Stan با R
• 24. استفاده از Stan با Python
• 25. استفاده از Stan با Julia
• 26. بهینه‌سازی مدل‌های Stan
• 27. اعتبارسنجی مدل‌های Stan
• 28. مقایسه مدل‌ها در چارچوب بیزی (Bayes Factor)
• 29. مدل‌سازی با داده‌های از دست رفته (Missing Data)
• 30. مدل‌سازی با متغیرهای پنهان (Latent Variables)
• 31. مدل‌سازی مدل‌های غیرپارامتری در Stan
• 32. استفاده از توابع تعریف‌شده توسط کاربر (User-Defined Functions) در Stan
• 33. مدل‌سازی داده‌های چندمتغیره (Multivariate Data)
• 34. مدل‌سازی داده‌های مکانی (Spatial Data)
• 35. مدل‌سازی داده‌های طولی (Longitudinal Data)
• 36. مدل‌سازی مدل‌های مخلوط (Mixture Models)
• 37. مدل‌سازی مدل‌های رشد (Growth Models)
• 38. مدل‌سازی مدل‌های انتخاب (Selection Models)
• 39. مدل‌سازی مدل‌های censored (Censored Regression)
• 40. استفاده از Stan برای شبیه‌سازی داده‌ها
• 41. روش‌های افزایش سرعت مدل‌سازی در Stan
• 42. مدیریت حافظه در مدل‌های Stan
• 43. عیب‌یابی خطاهای رایج در Stan
• 44. استفاده از Stan برای تحلیل داده‌های بزرگ
• 45. مقدمه‌ای بر مدل‌سازی بیزی سلسله مراتبی
• 46. مدل‌سازی بیزی با استفاده از priorهای غیرآگاهانه
• 47. مدل‌سازی بیزی برای پیش‌بینی
• 48. مدل‌سازی بیزی برای تصمیم‌گیری
• 49. مدل‌سازی بیزی در علوم پزشکی
• 50. مدل‌سازی بیزی در علوم اجتماعی
• 51. مدل‌سازی بیزی در مهندسی
• 52. مدل‌سازی بیزی در اقتصاد
• 53. مدل‌سازی بیزی در محیط زیست
• 54. مدل‌سازی بیزی در علوم کامپیوتر
• 55. تکنیک‌های پیشرفته MCMC در Stan
• 56. استفاده از Stan برای Bayesian Optimization
• 57. نوشتن کد Stan کارآمد
• 58. بررسی و اعتبارسنجی مدل‌های پیچیده Stan
• 59. کار با داده‌های ساختاریافته و غیرساختاریافته در Stan
• 60. مدل‌سازی روابط علت و معلولی با Stan
• 61. استفاده از Stan برای تحلیل حساسیت
• 62. مدل‌سازی مدل‌های دینامیک پذیری (Dynamic Models)
• 63. مدل‌سازی مدل‌های شبکه (Network Models)
• 64. تکنیک‌های موازی‌سازی در Stan
• 65. استفاده از Stan در محیط‌های ابری
• 66. بهبود قابلیت اطمینان مدل‌های Stan
• 67. مفاهیم پیشرفته در آمار بیزی
• 68. کاربرد Stan در تحلیل داده‌های ژنتیکی
• 69. مدل‌سازی بیزی برای داده‌های تصویربرداری
• 70. مدل‌سازی بیزی برای یادگیری ماشین
• 71. بهینه‌سازی پارامترهای Stan برای کارایی بیشتر
• 72. مقایسه Stan با سایر پلتفرم‌های مدل‌سازی بیزی