دوره تکنیک‌های ارزیابی مدل با Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های ارزیابی مدل با Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ارزیابی مدل در آمار بیزی
• 2. مفاهیم کلیدی ارزیابی مدل
• 3. معرفی Stan و مزایای آن در ارزیابی مدل
• 4. نصب و راه‌اندازی Stan
• 5. ساختار یک مدل Stan
• 6. نوشتن مدل‌های ساده در Stan
• 7. ورودی و خروجی Stan
• 8. آشنایی با زبان مدل‌سازی Stan
• 9. درک توابع توزیع احتمال در Stan
• 10. ارزیابی مدل با استفاده از R و Stan
• 11. ارزیابی مدل با استفاده از Python و Stan
• 12. مفهوم Divergences در Stan و راه‌های رفع آن
• 13. بررسی هشدارها و خطاها در Stan
• 14. تشخیص مشکلات نمونه‌گیری در Stan
• 15. تکنیک‌های بهبود همگرایی MCMC در Stan
• 16. تنظیم پارامترهای نمونه‌گیری Stan (iterations, chains, warmup)
• 17. استفاده از Priorهای آگاهانه و غیرآگاهانه در Stan
• 18. مقایسه مدل‌ها با استفاده از WAIC (Widely Applicable Information Criterion)
• 19. مقایسه مدل‌ها با استفاده از LOO-CV (Leave-One-Out Cross-Validation)
• 20. بررسی R-hat برای ارزیابی همگرایی
• 21. نمودارهای Trace Plot و بررسی بصری همگرایی
• 22. نمودارهای Autocorrelation Plot و شناسایی همبستگی‌ها
• 23. پیش‌بینی پسین (Posterior Predictive Checks)
• 24. ارزیابی مدل‌های سلسله مراتبی با Stan
• 25. ارزیابی مدل‌های با داده‌های از دست رفته (Missing Data)
• 26. ارزیابی مدل‌های ترکیبی (Joint Models)
• 27. ارزیابی مدل‌های تغییر زمانی (Time Series Models)
• 28. ارزیابی مدل‌های بقا (Survival Models)
• 29. استفاده از Stan برای مدل‌سازی Bayesian A/B Testing
• 30. مدل‌سازی و ارزیابی مدل‌های رگرسیونی تعمیم‌یافته (Generalized Linear Models) با Stan
• 31. مدل‌سازی و ارزیابی مدل‌های خطی تعمیم‌یافته (Generalized Additive Models) با Stan
• 32. بررسی تاثیر Priorها بر نتایج ارزیابی مدل
• 33. انتخاب Prior مناسب برای مدل‌های مختلف
• 34. بهینه‌سازی کد Stan برای سرعت و کارایی
• 35. استفاده از Stan برای مدل‌سازی Bayesian Nonparametric