دوره استفاده از Stan برای تحلیل‌های پیشرفته همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از Stan برای تحلیل‌های پیشرفته

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 و رابط‌های کاربری (RStan, CmdStan)
• 3. ساختار یک مدل Stan: بخش داده‌ها، پارامترها و مدل
• 4. توابع توزیعی احتمال در Stan
• 5. تعریف مدل‌های خطی در Stan
• 6. مدل‌های خطی تعمیم‌یافته (GLM) در Stan
• 7. مدل‌های سلسله مراتبی (Hierarchical Models) با Stan
• 8. مدل‌های با اثرات تصادفی در Stan
• 9. نمونه‌گیری MCMC: الگوریتم‌های NUTS و HMC
• 10. ارزیابی همگرایی MCMC: R-hat، نوسانات و گرافیک‌های traceplot
• 11. تشخیص مشکلات همگرایی و راهکارهای رفع آن‌ها
• 12. پیش‌بینی پسین (Posterior Predictive Checks)
• 13. اعتبارسنجی مدل با استفاده از داده‌های جدید
• 14. مدل‌سازی داده‌های گمشده (Missing Data) در Stan
• 15. مدل‌سازی داده‌های سانسورشده (Censored Data) در Stan
• 16. مدل‌سازی داده‌های مقطعی (Panel Data) در Stan
• 17. مدل‌های بقا (Survival Models) با Stan
• 18. مدل‌های تغییر رژیم (Regime Switching Models) در Stan
• 19. مدل‌سازی سری‌های زمانی با Stan
• 20. مدل‌سازی فضایی (Spatial Models) با Stan
• 21. بهینه‌سازی مدل Stan: انتخاب priors مناسب
• 22. محاسبه احتمال حاشیه‌ای (Marginal Likelihood)
• 23. مقایسه مدل‌ها با استفاده از WAIC و LOO-CV
• 24. استفاده از Stan برای Bayesian A/B Testing
• 25. مدل‌سازی بیزی غیرپارامتری با Stan
• 26. استفاده از Stan برای یادگیری ماشین بیزی
• 27. مدل‌سازی Bayesian Additive Regression Trees (BART) در Stan
• 28. ادغام Stan با زبان‌های برنامه‌نویسی دیگر (Python, Julia)
• 29. نوشتن توابع سفارشی در Stan
• 30. عیب‌یابی و اشکال‌زدایی مدل‌های Stan
• 31. بهبود عملکرد مدل Stan: موازی‌سازی و بهینه‌سازی کد
• 32. کار با داده‌های بزرگ در Stan
• 33. مدل‌سازی Bayesian Network با Stan
• 34. مقدمه‌ای بر Stan برای مدل‌سازی علّی (Causal Inference)