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. آشنایی با ساختار مدل Stan
• 2. نصب و راه‌اندازی Stan و ابزارهای مرتبط
• 3. بررسی و رفع خطاهای کامپایل در Stan
• 4. شناسایی و رفع خطاهای مربوط به داده‌های ورودی
• 5. درک پیام‌های هشدار Stan
• 6. مشکلات مربوط به همگرایی MCMC و روش‌های تشخیص
• 7. آشنایی با Rhat و N_eff
• 8. تفسیر نمودارهای Traceplot و Autocorrelation
• 9. بهبود همگرایی با تنظیم پارامترهای نمونه‌گیری (step size)
• 10. استفاده از الگوریتم‌های نمونه‌گیری مختلف در Stan (NUTS, Hamiltonian MC)
• 11. تنظیم Priorها و تاثیر آن‌ها بر نتایج
• 12. مشکلات مربوط به Priorهای غیر informative
• 13. انتخاب Prior مناسب برای پارامترهای مختلف
• 14. شناسایی و رفع مشکلات مربوط به Identifiability
• 15. درک مفهوم Uninformative vs. Weakly Informative Priors
• 16. رفع مشکلات مربوط به مدل‌های سلسله مراتبی (Hierarchical Models)
• 17. بهینه‌سازی عملکرد مدل‌های پیچیده Stan
• 18. استفاده از Stan برای مدل‌های با داده‌های از دست رفته (Missing Data)
• 19. مدل‌سازی داده‌های سانسور شده (Censored Data) با Stan
• 20. رفع مشکلات مربوط به مدل‌های غیر خطی
• 21. استفاده از توابع Transformation در Stan
• 22. بررسی و رفع مشکلات مربوط به Gradientها
• 23. استفاده از Stan برای مدل‌های Bayesian GLM
• 24. مدل‌سازی سری‌های زمانی با Stan
• 25. رفع مشکلات مربوط به مدل‌های پویا (Dynamic Models)
• 26. استفاده از Stan برای تحلیل بقا (Survival Analysis)
• 27. بررسی و رفع مشکلات مربوط به مدل‌های چندمتغیره
• 28. مقایسه مدل‌ها با استفاده از WAIC و LOO-CV در Stan
• 29. بهبود پایداری مدل‌های Stan
• 30. استفاده از Stan برای داده‌های بزرگ
• 31. رفع مشکلات مربوط به حافظه در Stan
• 32. استفاده از Stan با زبان‌های برنامه‌نویسی دیگر (R, Python)
• 33. عیب‌یابی مشکلات مربوط به Parallelization در Stan
• 34. بهینه‌سازی کد Stan برای سرعت و کارایی