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 احتمالی بیزی
• 2. آشنایی با زبان مدل‌سازی Stan
• 3. نصب و راه‌اندازی Stan و ابزارهای مرتبط
• 4. ساختار یک مدل Stan: داده‌ها، پارامترها، و مدل
• 5. توابع توزیعی احتمال در Stan
• 6. توابع تبدیل در Stan
• 7. نمونه‌برداری از توزیع پسین با Stan
• 8. روش‌های نمونه‌برداری MCMC در Stan
• 9. ارزیابی همگرایی زنجیره‌های MCMC
• 10. تشخیص مشکلات همگرایی و راه‌حل‌ها
• 11. مدل‌سازی خطی ساده در Stan
• 12. مدل‌سازی رگرسیون لجستیک در Stan
• 13. مدل‌سازی اثرات تصادفی در Stan
• 14. مدل‌سازی با داده‌های از دست رفته (Missing Data)
• 15. مدل‌سازی سلسله مراتبی (Hierarchical Modeling)
• 16. مدل‌سازی مدل‌های تعمیم‌یافته (Generalized Linear Models)
• 17. مدل‌سازی سری‌های زمانی در Stan
• 18. مدل‌سازی مدل‌های بقا (Survival Models)
• 19. مدل‌سازی مدل‌های مخلوط گاوسی (Gaussian Mixture Models)
• 20. مدل‌سازی فرآیندهای گوسی (Gaussian Processes)
• 21. استفاده از محدودیت‌ها در مدل‌های Stan
• 22. تعریف توابع سفارشی در Stan
• 23. بهینه‌سازی مدل‌ها در Stan
• 24. مقایسه مدل‌ها با استفاده از معیارهای اطلاعاتی (Information Criteria)
• 25. اعتبارسنجی مدل‌های Stan
• 26. خطایابی و رفع اشکال در مدل‌های Stan
• 27. مدل‌سازی با داده‌های پیچیده و چندمتغیره
• 28. استفاده از Stan با R
• 29. استفاده از Stan با Python
• 30. ادغام Stan با سایر زبان‌های برنامه‌نویسی
• 31. کاربرد Stan در علوم اجتماعی
• 32. کاربرد Stan در زیست‌شناسی
• 33. کاربرد Stan در مهندسی
• 34. کاربرد Stan در اقتصاد
• 35. تحلیل حساسیت مدل‌های Stan
• 36. مدل‌سازی بیزی غیرپارامتری با Stan
• 37. استفاده از Stan برای تخمین پارامترهای مدل‌های پیچیده
• 38. مدل‌سازی مدل‌های انتقال حالت (State-Space Models)
• 39. بهینه‌سازی عملکرد مدل‌های Stan
• 40. مدل‌سازی با استفاده از داده‌های بزرگ
• 41. روش‌های موازی‌سازی در Stan
• 42. مدل‌سازی مدل‌های پویای بیزی (Dynamic Bayesian Models)
• 43. استفاده از Stan برای پیش‌بینی
• 44. مدل‌سازی مدل‌های مبتنی بر عامل (Agent-Based Models)
• 45. مدل‌سازی مدل‌های شبکه بیزی (Bayesian Networks)
• 46. مدل‌سازی با استفاده از priors اطلاعاتی (informative priors)
• 47. انتخاب prior مناسب در مدل‌های بیزی
• 48. ارزیابی اثر prior بر نتایج مدل
• 49. مدل‌سازی مدل‌های ناهموار (non-smooth models)
• 50. استفاده از Stan برای یادگیری ماشین
• 51. مدل‌سازی مدل‌های طبقه‌بندی (Classification Models)
• 52. مدل‌سازی مدل‌های خوشه‌بندی (Clustering Models)
• 53. مدل‌سازی مدل‌های کاهش ابعاد (Dimensionality Reduction Models)
• 54. کاربرد Stan در پردازش تصویر
• 55. کاربرد Stan در پردازش زبان طبیعی
• 56. مدل‌سازی مدل‌های مبتنی بر درخت (Tree-Based Models)
• 57. مدل‌سازی مدل‌های عصبی بیزی (Bayesian Neural Networks)
• 58. بهینه‌سازی مدل‌های پیچیده با استفاده از الگوریتم‌های پیشرفته
• 59. مدل‌سازی مدل‌های چند لایه (Multi-Layer Models)
• 60. ارزیابی عدم قطعیت در پیش‌بینی‌ها
• 61. مدل‌سازی با استفاده از داده‌های سانسور شده (Censored Data)
• 62. مدل‌سازی مدل‌های بقای سانسور شده (Censored Survival Models)
• 63. مدل‌سازی مدل‌های زمانی غیرخطی (Nonlinear Time Series Models)
• 64. مدل‌سازی مدل‌های تغییر رژیم (Regime-Switching Models)
• 65. استفاده از Stan برای تحلیل داده‌های پانل (Panel Data)
• 66. مدل‌سازی مدل‌های اثرات ثابت و تصادفی در داده‌های پانل
• 67. مدل‌سازی مدل‌های پویا در داده‌های پانل
• 68. استفاده از Stan برای تحلیل داده‌های مکانی (Spatial Data)
• 69. مدل‌سازی مدل‌های خودهمبستگی مکانی (Spatial Autocorrelation Models)
• 70. مدل‌سازی مدل‌های اثرات مکانی (Spatial Effects Models)