فلش‌کارت‌های آموزشی تکنیک‌های اعتبارسنجی مدل‌های آماری در Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های اعتبارسنجی مدل‌های آماری در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر زبان برنامه‌نویسی Stan
• 2. نصب و راه‌اندازی Stan
• 3. مفاهیم پایه‌ای مدل‌سازی آماری
• 4. مبانی استنباط بیزی
• 5. نظریه احتمالات و توزیع‌ها
• 6. توزیع‌های پیشین و پسین
• 7. انتخاب توزیع پیشین مناسب
• 8. روش‌های نمونه‌گیری مارکوف چین مونت کارلو (MCMC)
• 9. الگوریتم گیبس سمپلینگ
• 10. الگوریتم Metropolis-Hastings
• 11. ارزیابی همگرایی زنجیره‌های MCMC
• 12. معیارهای ارزیابی همگرایی (Gelman-Rubin)
• 13. تجزیه و تحلیل پسین (Posterior Analysis)
• 14. میانگین پسین و واریانس پسین
• 15. فاصله‌های اطمینان بیزی
• 16. روش‌های اعتبارسنجی مدل
• 17. بررسی برازش مدل (Goodness-of-fit)
• 18. نمودارهای بقایا (Residual Plots)
• 19. آزمون‌های آماری برای برازش مدل
• 20. اعتبارسنجی متقابل (Cross-validation)
• 21. اعتبارسنجی K-fold
• 22. اعتبارسنجی out-of-sample
• 23. استفاده از داده‌های شبیه‌سازی شده (Simulated Data)
• 24. تولید داده از مدل
• 25. مقایسه مدل‌های مختلف
• 26. معیارهای انتخاب مدل (AIC, BIC)
• 27. تفسیر نتایج مقایسه مدل‌ها
• 28. مدل‌های خطی در Stan
• 29. رگرسیون خطی بیزی
• 30. مدل‌های اثرات مختلط (Mixed-effects Models)
• 31. کاربرد مدل‌های خطی در حوزه‌های مختلف
• 32. مدل‌های رگرسیون لجستیک در Stan
• 33. مدل‌سازی داده‌های دوتایی
• 34. مدل‌سازی داده‌های شمارشی
• 35. کاربرد مدل‌های رگرسیون لجستیک
• 36. مدل‌های سری زمانی در Stan
• 37. مدل‌های ARIMA بیزی
• 38. مدل‌های حالت-فضا (State-Space Models)
• 39. کاربرد مدل‌های سری زمانی
• 40. مدل‌های سلسله‌مراتبی در Stan
• 41. مدل‌های چندسطحی
• 42. کاربرد مدل‌های سلسله‌مراتبی
• 43. بهینه‌سازی در Stan
• 44. تنظیم پارامترها
• 45. حساسیت مدل به پارامترها
• 46. تحلیل عدم قطعیت
• 47. مدل‌سازی داده‌های فضایی
• 48. کاربرد مدل‌های فضایی
• 49. مدل‌سازی داده‌های بقا (Survival Analysis)
• 50. کاربرد مدل‌های بقا
• 51. روش‌های پیشرفته نمونه‌گیری
• 52. نمونه‌گیری با اهمیت (Importance Sampling)
• 53. روش‌های MCMC پیشرفته
• 54. تکنیک‌های کاهش واریانس
• 55. شبیه‌سازی و اعتبارسنجی مدل‌های پیچیده
• 56. توسعه مدل‌های سفارشی در Stan
• 57. نوشتن توابع سفارشی
• 58. بهینه‌سازی کد Stan
• 59. اشکال‌زدایی (Debugging) در Stan
• 60. مدیریت داده‌های بزرگ
• 61. کاهش ابعاد در مدل‌سازی
• 62. روش‌های بیزی برای داده‌های پرت
• 63. کاربرد مدل‌های بیزی در علوم اجتماعی
• 64. کاربرد مدل‌های بیزی در اقتصاد
• 65. کاربرد مدل‌های بیزی در علوم زیستی
• 66. کاربرد مدل‌های بیزی در مهندسی
• 67. ساخت داشبوردهای آماری
• 68. مصورسازی نتایج مدل‌ها
• 69. گزارش‌دهی نتایج آماری
• 70. اصول اخلاقی در گزارش‌دهی آماری
• 71. حفظ حریم خصوصی داده‌ها
• 72. مبانی تحلیل عاملی در Stan
• 73. مدل‌سازی معادلات ساختاری بیزی
• 74. کاربرد تحلیل عاملی
• 75. مبانی تحلیل خوشه‌ای در Stan
• 76. کاربرد تحلیل خوشه‌ای
• 77. مبانی شبکه‌های عصبی بیزی
• 78. کاربرد شبکه‌های عصبی
• 79. مبانی یادگیری تقویتی بیزی
• 80. کاربرد یادگیری تقویتی
• 81. مبانی مدل‌های گرافیکی احتمالی
• 82. کاربرد مدل‌های گرافیکی
• 83. مبانی مدل‌های استنباطی برای داده‌های گمشده
• 84. کاربرد مدل‌های داده‌های گمشده
• 85. مدل‌سازی تصمیم‌گیری با عدم قطعیت
• 86. مدل‌سازی ریسک در Stan
• 87. پیش‌بینی در شرایط عدم قطعیت
• 88. ارزیابی عملکرد پیش‌بینی
• 89. مبانی تحلیل حساسیت و عدم قطعیت مدل
• 90. تکنیک‌های افزایش قابلیت اطمینان مدل
• 91. برنامه‌ریزی و اجرای پروژه‌های مدل‌سازی آماری
• 92. ارتباط با ذینفعان در پروژه‌های آماری
• 93. ملاحظات قانونی و شرعی در استفاده از داده‌ها
• 94. اصول حاکم بر استفاده از داده‌های حساس
• 95. نکات پیشرفته در اعتبارسنجی مدل‌های پیچیده
• 96. چالش‌های عملی در اعتبارسنجی مدل‌های بیزی
• 97. راهکارهای عملی برای غلبه بر چالش‌ها
• 98. مبانی نظری اعتبارسنجی مدل‌های آماری
• 99. تاریخچه اعتبارسنجی مدل‌ها
• 100. آینده اعتبارسنجی مدل‌های آماری