دوره تنظیمات پیشرفته for Complex Problems in Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته for Complex Problems in Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مدل‌سازی احتمالی با Stan
• 2. مقدمه‌ای بر زبان برنامه‌نویسی Stan
• 3. نصب و راه‌اندازی Stan و محیط توسعه
• 4. ساختار یک مدل Stan
• 5. انواع داده در Stan
• 6. توابع توزیعی احتمال در Stan
• 7. تعریف متغیرهای تصادفی در Stan
• 8. توابع تبدیل در Stan
• 9. بلوک‌های پارامتر، داده و تبدیل‌شده
• 10. نمونه‌برداری از توزیع‌های پسین
• 11. الگوریتم‌های نمونه‌برداری Markov Chain Monte Carlo (MCMC)
• 12. ارزیابی همگرایی زنجیره‌های MCMC
• 13. تشخیص مشکلات همگرایی
• 14. بهینه‌سازی مدل‌های Stan
• 15. مقایسه مدل‌ها با استفاده از اطلاعات Bayes
• 16. محاسبه R-hat
• 17. محاسبه Effective Sample Size (ESS)
• 18. تفسیر خروجی Stan
• 19. مدل‌سازی رگرسیون خطی با Stan
• 20. مدل‌سازی رگرسیون لجستیک با Stan
• 21. مدل‌سازی واریانس تصادفی با Stan
• 22. مدل‌سازی مدل‌های سلسله‌مراتبی (Hierarchical Models)
• 23. مدل‌سازی مدل‌های چند متغیره
• 24. مدل‌سازی مدل‌های زمانی (Time Series Models)
• 25. مدل‌سازی مدل‌های بقا (Survival Models)
• 26. مدل‌سازی مدل‌های ترکیبی (Mixed Models)
• 27. مدل‌سازی مدل‌های Bayesian Nonparametric
• 28. استفاده از Stan با R
• 29. استفاده از Stan با Python
• 30. استفاده از Stan با Julia
• 31. اشتباهات رایج در مدل‌سازی Stan و راه‌حل‌ها
• 32. بهینه‌سازی عملکرد مدل‌های Stan
• 33. مدل‌سازی با داده‌های از دست رفته
• 34. مدل‌سازی با داده‌های سانسور شده
• 35. استفاده از Stan برای پیش‌بینی
• 36. اعتبارسنجی مدل‌های Stan
• 37. تکنیک‌های حساسیت مدل
• 38. مدل‌سازی با قیود (Constraints)
• 39. مدل‌سازی با توزیع‌های سفارشی
• 40. مدل‌سازی با متغیرهای پنهان
• 41. مدل‌سازی مسائل بهینه‌سازی
• 42. مدل‌سازی مسائل طبقه‌بندی
• 43. مدل‌سازی مسائل خوشه‌بندی
• 44. استفاده از Stan برای تحلیل داده‌های مکانی
• 45. استفاده از Stan برای تحلیل داده‌های تصویر
• 46. مدل‌سازی فرآیندهای Gaussian
• 47. مدل‌سازی با استفاده از توابع شبه‌توزیع (Pseudo-Likelihood)
• 48. تکنیک‌های تقریب واریانسی
• 49. استفاده از Stan برای مدل‌سازی Bayesian A/B Testing
• 50. مدل‌سازی با استفاده از توزیع‌های توخالی (Truncated Distributions)
• 51. مدل‌سازی با استفاده از توزیع‌های ترکیبی (Mixture Distributions)
• 52. مدل‌سازی با استفاده از توزیع‌های غیر نرمال
• 53. مدل‌سازی با داده‌های بزرگ
• 54. مدل‌سازی با استفاده از GPU
• 55. مدل‌سازی با استفاده از محاسبات موازی
• 56. خطایابی مدل‌های Stan
• 57. بهبود خوانایی کد Stan
• 58. مستندسازی مدل‌های Stan
• 59. بهترین شیوه‌ها در مدل‌سازی Stan
• 60. استفاده از Stan برای تحلیل ریسک
• 61. مدل‌سازی با استفاده از توزیع‌های Beta
• 62. مدل‌سازی با استفاده از توزیع‌های Gamma
• 63. مدل‌سازی با استفاده از توزیع‌های Dirichlet
• 64. مدل‌سازی با استفاده از توزیع‌های Exponential
• 65. مدل‌سازی با استفاده از توزیع‌های Normal Inverse Gamma
• 66. مدل‌سازی با استفاده از توزیع‌های Student's t
• 67. مدل‌سازی با استفاده از توزیع‌های Wishart
• 68. مدل‌سازی با استفاده از توزیع‌های Inverse Wishart
• 69. استفاده از Stan برای تحلیل سری‌های زمانی مالی
• 70. استفاده از Stan برای تحلیل داده‌های ژنتیکی
• 71. استفاده از Stan برای تحلیل داده‌های پزشکی
• 72. استفاده از Stan برای تحلیل داده‌های علوم اجتماعی
• 73. توسعه مدل‌های سفارشی Stan
• 74. ادغام Stan با سایر ابزارهای آماری
• 75. آینده Stan و مدل‌سازی احتمالی Bayesian