فلش‌کارت‌های آموزشی تکنیک‌های ارزیابی مدل با Stan

🎓 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. مبانی مدل‌سازی آماری با Stan
• 2. نصب و راه‌اندازی Stan
• 3. مفاهیم پایه مدل‌های احتمالاتی
• 4. توزیع‌های پیشین و پسین
• 5. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته
• 6. مدل‌های رگرسیون خطی در Stan
• 7. مدل‌های رگرسیون لجستیک در Stan
• 8. مدل‌های رگرسیون پواسون در Stan
• 9. مدل‌های سلسله‌مراتبی در Stan
• 10. مزایای مدل‌های سلسله‌مراتبی
• 11. طراحی مدل‌های سلسله‌مراتبی
• 12. پیاده‌سازی مدل‌های سلسله‌مراتبی با Stan
• 13. مدل‌سازی اثرات تصادفی
• 14. کاربرد مدل‌های سلسله‌مراتبی در علوم اجتماعی
• 15. کاربرد مدل‌های سلسله‌مراتبی در علوم پزشکی
• 16. کاربرد مدل‌های سلسله‌مراتبی در اقتصاد
• 17. مدل‌سازی سری‌های زمانی با Stan
• 18. مدل‌های ARIMA در Stan
• 19. مدل‌های HMM در Stan
• 20. مدل‌سازی داده‌های خوشه‌ای با Stan
• 21. الگوریتم‌های خوشه‌بندی در Stan
• 22. مدل‌سازی داده‌های فضایی با Stan
• 23. مدل‌های رگرسیون فضایی در Stan
• 24. مقدمه‌ای بر شبکه‌های عصبی
• 25. شبکه‌های عصبی در Stan
• 26. ماشین‌های بردار پشتیبان در Stan
• 27. روش‌های استنتاج بیزی
• 28. روش‌های مونت کارلو زنجیره مارکوف (MCMC)
• 29. الگوریتم گیبس سمپلینگ
• 30. الگوریتم MCMC با استفاده از Hamiltonian Monte Carlo (HMC)
• 31. انتخاب تابع هدف (Target Distribution)
• 32. توزیع‌های پیشین مناسب
• 33. توزیع‌های پسین قابل محاسبه
• 34. ارزیابی همگرایی MCMC
• 35. آزمون‌های همگرایی (Gelman-Rubin, R-hat)
• 36. رسم نمودارهای همگرایی
• 37. نمودارهای سری زمانی نمونه‌ها
• 38. نمودارهای تراکم نمونه‌ها
• 39. استفاده از بسته‌های کمکی برای MCMC
• 40. بسته‌های R و Python برای Stan
• 41. بسته‌های Julia برای Stan
• 42. اعتبارسنجی مدل
• 43. شاخص‌های ارزیابی مدل
• 44. خطای میانگین مربعات (MSE)
• 45. خطای مطلق میانگین (MAE)
• 46. معیار اطلاعات آکائیک (AIC)
• 47. معیار اطلاعات بیزی (BIC)
• 48. اعتبارسنجی متقابل (Cross-validation)
• 49. اعتبارسنجی پیش‌بینی (Predictive validation)
• 50. تحلیل باقی‌مانده‌ها (Residual analysis)
• 51. تفسیر باقی‌مانده‌ها
• 52. اصلاح مدل بر اساس باقی‌مانده‌ها
• 53. مدل‌سازی عدم قطعیت
• 54. بازه اطمینان و بازه پیش‌بینی
• 55. تفسیر عدم قطعیت در مدل‌های بیزی
• 56. حساسیت مدل به پارامترها
• 57. تحلیل حساسیت پارامترها
• 58. بهینه‌سازی مدل
• 59. تنظیم فراپارامترها (Hyperparameter tuning)
• 60. استفاده از الگوریتم‌های بهینه‌سازی
• 61. مدل‌سازی داده‌های حجیم با Stan
• 62. استفاده از Stan در محیط‌های توزیع‌شده
• 63. موازی‌سازی محاسبات در Stan
• 64. بهینه‌سازی کد Stan
• 65. تکنیک‌های نوشتن کد کارآمد در Stan
• 66. اشتباهات رایج در مدل‌سازی با Stan
• 67. رفع اشکال در کد Stan
• 68. کاربرد Stan در علوم زیستی
• 69. کاربرد Stan در علوم اقتصادی
• 70. کاربرد Stan در علوم اجتماعی
• 71. کاربرد Stan در مهندسی
• 72. کاربرد Stan در علوم کامپیوتر
• 73. کاربرد Stan در تحلیل داده‌های پزشکی
• 74. مطالعات مقایسه‌ای مدل‌ها
• 75. انتخاب بهترین مدل
• 76. راهنمای عملی برای مدل‌سازی پیشرفته
• 77. مقدمه‌ای بر مدل‌های گرافی بیزی
• 78. مدل‌های گرافی بیزی در Stan
• 79. تحلیل داده‌های گمشده با Stan
• 80. روش‌های پر کردن داده‌های گمشده
• 81. مدل‌سازی داده‌های باینری با Stan
• 82. مدل‌سازی داده‌های شمارشی با Stan
• 83. مدل‌سازی داده‌های بقا با Stan
• 84. مدل‌سازی داده‌های رتبه‌ای با Stan
• 85. مدل‌سازی داده‌های متنی با Stan
• 86. مدل‌سازی داده‌های تصویر با Stan
• 87. مقدمه‌ای بر یادگیری عمیق بیزی
• 88. شبکه‌های عصبی بیزی با Stan
• 89. بهبود مدل‌های آماری با استفاده از Stan
• 90. آخرین پیشرفت‌ها در مدل‌سازی بیزی
• 91. منابع تکمیلی برای یادگیری Stan
• 92. کارگاه‌های آموزشی مدل‌سازی با Stan
• 93. پروژه‌های عملی با Stan
• 94. چالش‌های مدل‌سازی در عمل
• 95. راهکارهای مقابله با چالش‌ها
• 96. نکات مهم در ارائه نتایج مدل‌سازی
• 97. تفسیر نته نتایج برای تصمیم‌گیری
• 98. اصول اخلاقی در مدل‌سازی آماری