فلش‌کارت‌های آموزشی بهینه‌سازی و رفع اشکال کدهای Stan برای کاربردهای پیشرفته

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی و رفع اشکال کدهای Stan برای کاربردهای پیشرفته

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

موضوع میانی: کامپایلر Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان Stan و کاربردهای آن
• 2. نصب و راه‌اندازی Stan
• 3. آشنایی با ساختار پایه کدهای Stan
• 4. تعریف مدل‌های احتمالاتی در Stan
• 5. انواع توزیع‌های احتمالاتی در Stan
• 6. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو (MCMC)
• 7. آشنایی با الگوریتم‌های نمونه‌برداری در Stan
• 8. تنظیم پارامترهای الگوریتم‌های MCMC
• 9. ارزیابی همگرایی مدل‌ها در Stan
• 10. تشخیص و رفع مشکلات همگرایی
• 11. مقدمه‌ای بر مدل‌های خطی در Stan
• 12. پیاده‌سازی مدل‌های رگرسیون خطی در Stan
• 13. مدل‌های رگرسیون لجستیک در Stan
• 14. مدل‌های سلسله‌مراتبی در Stan
• 15. طراحی مدل‌های سلسله‌مراتبی پیچیده
• 16. رفع اشکال مدل‌های سلسله‌مراتبی
• 17. کاربرد Stan در مدل‌سازی سری‌های زمانی
• 18. مدل‌های ARIMA در Stan
• 19. مدل‌های حالت‌گذر (State-Space Models) در Stan
• 20. مقدمه‌ای بر مدل‌های اقتصادسنجی در Stan
• 21. مدل‌های انتخاب گسسته در Stan
• 22. مدل‌های انتخاب ترتیبی در Stan
• 23. مقدمه‌ای بر مدل‌های بقا در Stan
• 24. مدل‌های کاکس (Cox Models) در Stan
• 25. مدل‌های بقا با اثرات مختلط
• 26. کاربرد Stan در علوم زیستی
• 27. مدل‌سازی داده‌های ژنتیکی در Stan
• 28. مدل‌سازی داده‌های اپیدمیولوژیک در Stan
• 29. مقدمه‌ای بر مدل‌های بیزی در Stan
• 30. مقایسه رویکردهای بیزی و فراوانی‌گرا
• 31. تفسیر نتایج مدل‌های بیزی
• 32. کاربرد Stan در علوم اجتماعی
• 33. مدل‌سازی داده‌های نظرسنجی در Stan
• 34. مدل‌سازی شبکه‌های اجتماعی در Stan
• 35. مقدمه‌ای بر مدل‌های یادگیری ماشین در Stan
• 36. مدل‌های طبقه‌بندی در Stan
• 37. مدل‌های رگرسیون در Stan
• 38. بهینه‌سازی کد Stan برای سرعت
• 39. تکنیک‌های Vectorization در Stan
• 40. استفاده از توابع سفارشی در Stan
• 41. بهینه‌سازی محاسبات ماتریسی در Stan
• 42. مدیریت حافظه در کدهای Stan
• 43. پیش‌پردازش داده‌ها برای Stan
• 44. پس‌پردازش نتایج Stan
• 45. تجسم نتایج مدل‌های Stan
• 46. تولید گزارش‌های استاندارد از نتایج Stan
• 47. استفاده از Stan با زبان‌های برنامه‌نویسی دیگر (R، Python)
• 48. اتصال Stan به پایگاه‌های داده
• 49. مدیریت پروژه‌های بزرگ Stan
• 50. تست واحد برای کدهای Stan
• 51. مستندسازی کدهای Stan
• 52. روش‌های پیشرفته نمونه‌گیری در Stan
• 53. نمونه‌گیری اهمیت (Importance Sampling) در Stan
• 54. نمونه‌گیری مونت کارلو با حداقل واریانس
• 55. مقدمه‌ای بر روش‌های بیزی غیرپارامترا
• 56. مدل‌های فرآیند گوسی (Gaussian Processes) در Stan
• 57. مدل‌های درخت تصمیم‌گیری بیزی
• 58. مدل‌های بیزی بر پایه شبکه‌های عصبی
• 59. کاربرد Stan در بهینه‌سازی
• 60. حل مسائل بهینه‌سازی مقید با Stan
• 61. بهینه‌سازی غیرخطی با Stan
• 62. مقدمه‌ای بر روش‌های فرا-بهینه‌سازی (Meta-optimization)
• 63. بهینه‌سازی پارامترهای مدل‌های Stan
• 64. اعتبارسنجی متقابل مدل‌های Stan
• 65. مقایسه عملکرد مدل‌های مختلف
• 66. تحلیل حساسیت پارامترها در Stan
• 67. مدل‌سازی عدم قطعیت در Stan
• 68. ارزیابی کیفیت مدل با معیارهای مختلف
• 69. انتخاب مدل مناسب بر اساس معیارهای آماری
• 70. کاربرد Stan در تحلیل داده‌های بزرگ
• 71. استفاده از Stan در محیط‌های محاسباتی توزیع‌شده
• 72. مدیریت خطا در کدهای پیچیده Stan
• 73. تکنیک‌های اشکال‌زدایی پیشرفته در Stan
• 74. روش‌های نمونه‌گیری متوالی (Sequential Monte Carlo)
• 75. مقدمه‌ای بر مدل‌های احتمالاتی گرافیکی
• 76. پیاده‌سازی مدل‌های گرافیکی در Stan
• 77. مدل‌سازی پدیده‌های پیچیده با Stan
• 78. کاربرد Stan در دینامیک سیستم‌ها
• 79. مدل‌سازی سیستم‌های فیزیکی با Stan
• 80. مدل‌سازی سیستم‌های اقتصادی پویا
• 81. مقدمه‌ای بر روش‌های تحلیل بایزی پیشرفته
• 82. روش‌های نمونه‌گیری از پسین (Posterior Sampling)
• 83. انواع توزیع‌های پیشین (Prior Distributions)
• 84. انتخاب توزیع پیشین مناسب
• 85. تفسیر نتایج بیزی در زمینه‌های مختلف
• 86. مدل‌سازی داده‌های ناهمگن در Stan
• 87. مدل‌سازی داده‌های از دست رفته در Stan
• 88. کاربرد Stan در سیستم‌های توصیه‌گر
• 89. مدل‌سازی رفتار کاربران در Stan
• 90. پیش‌بینی ترجیحات کاربران
• 91. مقدمه‌ای بر مدل‌های محاسباتی پیچیده
• 92. کاربرد Stan در تحقیقات علمی نوین
• 93. اصول اخلاقی در تحلیل داده‌ها با Stan
• 94. نکات تکمیلی در استفاده از Stan
• 95. جمع‌بندی مباحث پیشرفته Stan