فلش‌کارت‌های آموزشی راهنمای کاربردی Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای کاربردی Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نرم‌افزار Stan
• 2. نصب و راه‌اندازی Stan
• 3. مفاهیم پایه مدل‌سازی احتمالاتی
• 4. مفاهیم پایه استنتاج بیزی
• 5. نحو زبان Stan: متغیرها و انواع داده
• 6. نحو زبان Stan: توابع و عملگرها
• 7. ساختار کلی برنامه‌های Stan
• 8. تعریف مدل‌های احتمالاتی در Stan
• 9. تابع درست‌نمایی (Likelihood)
• 10. تابع پیشین (Prior)
• 11. تابع پسین (Posterior)
• 12. نمونه‌گیری از توزیع‌های نرمال
• 13. نمونه‌گیری از توزیع‌های گاما
• 14. نمونه‌گیری از توزیع‌های بتا
• 15. نمونه‌گیری از توزیع‌های پواسون
• 16. نمونه‌گیری از توزیع‌های دوجمله‌ای
• 17. نمونه‌گیری از توزیع‌های کای-دو
• 18. نمونه‌گیری از توزیع‌های t استیودنت
• 19. مدل‌های رگرسیون خطی در Stan
• 20. مدل‌های رگرسیون لجستیک در Stan
• 21. مدل‌های رگرسیون پواسون در Stan
• 22. مدل‌های رگرسیون گاما در Stan
• 23. مدل‌های سلسله‌مراتبی (Hierarchical Models)
• 24. مدل‌های اثرات تصادفی (Random Effects)
• 25. مدل‌های اثرات ثابت (Fixed Effects)
• 26. مدل‌های مختلط (Mixed Effects Models)
• 27. مدل‌های خطای اندازه‌گیری (Measurement Error Models)
• 28. مدل‌های سری زمانی (Time Series Models)
• 29. مدل‌های AR(1) در Stan
• 30. مدل‌های MA(1) در Stan
• 31. مدل‌های ARMA(p,q) در Stan
• 32. مدل‌های ARIMA(p,d,q) در Stan
• 33. مدل‌های فضای حالت (State-Space Models)
• 34. مدل‌های غیرخطی در Stan
• 35. مدل‌های گوسی فرآیند (Gaussian Process Models)
• 36. تکنیک‌های نمونه‌گیری MCMC
• 37. الگوریتم گیبس (Gibbs Sampling)
• 38. الگوریتم هامینگتونین مونت کارلو (HMC)
• 39. الگوریتم نمونه‌بردار متغیر (NUTS)
• 40. ارزیابی کیفیت نمونه‌گیری
• 41. معیارهای همگرایی (Convergence Diagnostics)
• 42. نمودارهای سری زمانی (Trace Plots)
• 43. نمودارهای خودهمبستگی (Autocorrelation Plots)
• 44. شاخص R-hat
• 45. شاخص‌های کارایی نمونه‌گیری (Effective Sample Size)
• 46. نمایش نتایج مدل
• 47. محاسبه میانگین، میانه و واریانس پسین
• 48. محاسبه فواصل اطمینان پسین (Credible Intervals)
• 49. رسم نمودارهای پسین (Posterior Plots)
• 50. مقایسه مدل‌ها
• 51. معیار اطلاعات آکائیکه بیزی (BIC)
• 52. معیار اطلاعات آکائیکه بیزی اصلاح شده (AICc)
• 53. معیار اطلاعات کرایترون (WAIC)
• 54. معیار اطلاعات پیش‌بینی پسین (LOO-CV)
• 55. اعتبارسنجی متقابل (Cross-Validation)
• 56. شبیه‌سازی معکوس (Posterior Predictive Checks)
• 57. کاربرد Stan در علوم داده
• 58. کاربرد Stan در اقتصاد سنجی
• 59. کاربرد Stan در آمار زیستی
• 60. کاربرد Stan در علوم اجتماعی
• 61. کاربرد Stan در مهندسی
• 62. کاربرد Stan در یادگیری ماشین
• 63. مدل‌سازی پیش‌بینی در Stan
• 64. پیش‌بینی با استفاده از مدل‌های خطی
• 65. پیش‌بینی با استفاده از مدل‌های سری زمانی
• 66. پیش‌بینی با استفاده از مدل‌های سلسله‌مراتبی
• 67. استنتاج علّی (Causal Inference) در Stan
• 68. تحلیل داده‌های پیمایشی در Stan
• 69. تحلیل داده‌های آزمایشی در Stan
• 70. تحلیل داده‌های مشاهده‌ای در Stan
• 71. مدل‌سازی داده‌های پرت (Outlier Detection)
• 72. مدل‌سازی داده‌های گمشده (Missing Data Imputation)
• 73. مدل‌سازی داده‌های خوشه‌ای (Clustering)
• 74. مدل‌سازی داده‌های طبقه‌بندی (Classification)
• 75. مدل‌سازی داده‌های رگرسیونی (Regression)
• 76. مدل‌سازی داده‌های بقا (Survival Analysis)
• 77. مدل‌سازی داده‌های فضایی (Spatial Models)
• 78. برنامه‌نویسی انعطاف‌پذیر در Stan
• 79. استفاده از Stan با زبان‌های برنامه‌نویسی دیگر (R, Python)
• 80. اتصال Stan به پایگاه‌های داده
• 81. مدیریت پروژه‌های Stan
• 82. اشکال‌زدایی (Debugging) در Stan
• 83. بهینه‌سازی کد Stan
• 84. نکات پیشرفته در مدل‌سازی بیزی
• 85. مدل‌سازی بیزی پویا (Dynamic Bayesian Models)
• 86. مدل‌سازی بیزی گرافی (Graphical Models)
• 87. مدل‌سازی بیزی با استفاده از شبکه‌های عصبی
• 88. کاربرد Stan در پژوهش‌های علمی
• 89. تولید گزارش‌های آماری با Stan
• 90. مقدمه‌ای بر زبان برنامه‌نویسی پایتون برای آمار
• 91. نصب و پیکربندی پایتون برای تحلیل داده
• 92. مبانی تحلیل داده با پایتون
• 93. کتابخانه NumPy برای محاسبات عددی
• 94. کتابخانه Pandas برای مدیریت داده
• 95. کتابخانه Matplotlib برای بصری‌سازی داده
• 96. کتابخانه Seaborn برای بصری‌سازی پیشرفته
• 97. استفاده از Stan در پایتون (PyStan)
• 98. مدل‌سازی با PyStan
• 99. مقدمه‌ای بر مدل‌سازی آماری در علم داده
• 100. اصول استنتاج آماری در علم داده