فلش‌کارت‌های آموزشی تنظیمات پیشرفته برای مسائل پیچیده در Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته برای مسائل پیچیده 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. ساختار کلی کد در Stan
• 4. انواع داده‌ها و متغیرها در Stan
• 5. عملگرهای ریاضی و منطقی در Stan
• 6. دستورات شرطی (if-else) در Stan
• 7. حلقه‌های تکرار (for, while) در Stan
• 8. تعریف و فراخوانی توابع در Stan
• 9. مدیریت خطاها و استثناها در Stan
• 10. مقدمه‌ای بر مدل‌سازی آماری
• 11. مفاهیم پایه در استنباط بیزی
• 12. توزیع‌های احتمالاتی رایج در Stan
• 13. نوشتن مدل‌های احتمالاتی ساده در Stan
• 14. نمایش گرافیکی نتایج مدل‌ها
• 15. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو (MCMC)
• 16. الگوریتم‌های نمونه‌گیری در Stan (NUTS)
• 17. نوشتن مدل‌های رگرسیون خطی در Stan
• 18. رگرسیون لجستیک در Stan
• 19. مدل‌های اثرات ثابت و تصادفی
• 20. مدل‌سازی سری‌های زمانی در Stan
• 21. مدل‌های سلسله‌مراتبی در Stan
• 22. روش‌های اعتبارسنجی مدل
• 23. ارزیابی کیفیت نمونه‌گیری MCMC
• 24. تشخیص همگرایی در Stan
• 25. مدل‌سازی داده‌های شمارشی
• 26. مدل‌سازی داده‌های پیوسته
• 27. مدل‌سازی داده‌های دودویی
• 28. مدل‌سازی داده‌های چندگانه
• 29. مدل‌سازی داده‌های طولانی‌مدت
• 30. مدل‌سازی داده‌های فضایی
• 31. مقدمه‌ای بر مدل‌های خطی تعمیم‌یافته (GLM)
• 32. نوشتن GLM در Stan
• 33. مدل‌های خطی تعمیم‌یافته مختلط (GLMM)
• 34. نوشتن GLMM در Stan
• 35. مدل‌سازی شبکه‌های اجتماعی در Stan
• 36. مدل‌سازی داده‌های اکتشافی در Stan
• 37. استفاده از توابع از پیش تعریف شده در Stan
• 38. نوشتن توابع سفارشی در Stan
• 39. بهینه‌سازی کد در Stan
• 40. نکات پیشرفته در نمونه‌گیری MCMC
• 41. مدل‌سازی پویایی سیستم‌ها در Stan
• 42. مقدمه‌ای بر یادگیری ماشین
• 43. مدل‌های درخت تصمیم در Stan
• 44. مدل‌های جنگل تصادفی در Stan
• 45. مدل‌های ماشین بردار پشتیبان (SVM) در Stan
• 46. مدل‌های شبکه عصبی پایه در Stan
• 47. تنظیم پارامترهای مدل‌های یادگیری ماشین
• 48. ارزیابی عملکرد مدل‌های یادگیری ماشین
• 49. مقدمه‌ای بر تحلیل عاملی در Stan
• 50. تحلیل عاملی اکتشافی
• 51. تحلیل عاملی تأییدی
• 52. مدل‌سازی معادلات ساختاری (SEM) در Stan
• 53. مقدمه‌ای بر مدل‌سازی قابلیت اطمینان
• 54. مدل‌سازی بقا در Stan
• 55. مدل‌سازی داده‌های گسسته در Stan
• 56. مدل‌سازی داده‌های پیوسته با توزیع‌های خاص
• 57. مدل‌سازی داده‌های مختلط در Stan
• 58. مدل‌سازی داده‌های پرت در Stan
• 59. استفاده از Stan برای شبیه‌سازی
• 60. شبیه‌سازی داده از مدل‌های آماری
• 61. شبیه‌سازی از مدل‌های یادگیری ماشین
• 62. مدل‌سازی فرآیندهای تصادفی در Stan
• 63. مقدمه‌ای بر مدل‌سازی بیزی سلسله‌مراتبی
• 64. مدل‌سازی بیزی برای داده‌های پزشکی
• 65. مدل‌سازی بیزی برای داده‌های اقتصادی
• 66. مدل‌سازی بیزی برای داده‌های علوم اجتماعی
• 67. مدل‌سازی بیزی برای داده‌های مهندسی
• 68. کاربرد Stan در تحلیل داده‌های بزرگ
• 69. مدیریت داده‌های حجیم در Stan
• 70. رابط Stan با زبان‌های دیگر (R, Python)
• 71. استفاده از بسته cmdstanr
• 72. استفاده از بسته rstan
• 73. استفاده از بسته pystan
• 74. تجسم پیشرفته نتایج در Stan
• 75. نوشتن گزارش‌های آماری با Stan
• 76. مباحث پیشرفته در مدل‌سازی بیزی
• 77. مقدمه‌ای بر مدل‌های بیزی غیرپارامتری
• 78. مدل‌سازی بیزی برای داده‌های غیرنرمال
• 79. مدل‌سازی بیزی برای داده‌های با ساختار پیچیده
• 80. مدل‌سازی بیزی برای داده‌های چندسطحی
• 81. مقایسه مدل‌های بیزی مختلف
• 82. اصول طراحی آزمایش در Stan
• 83. تفسیر نتهایج مدل‌سازی در چارچوب علمی
• 84. مدل‌سازی بیزی برای پیش‌بینی
• 85. ارزیابی مدل‌های پیش‌بینی
• 86. ملاحظات اخلاقی در مدل‌سازی آماری
• 87. کاربرد Stan در تحقیقات علمی
• 88. روش‌های پیشرفته اعتبارسنجی متقابل
• 89. مدل‌سازی بیزی برای داده‌های زمانی با روند
• 90. مدل‌سازی بیزی برای داده‌های زمانی با فصلی بودن
• 91. مدل‌سازی بیزی برای داده‌های فضایی-زمانی
• 92. مدل‌سازی بیزی برای داده‌های با ابعاد بالا
• 93. بهینه‌سازی پارامترهای مدل در Stan
• 94. روش‌های نمونه‌گیری جایگزین در Stan
• 95. مقدمه‌ای بر مدل‌سازی بیزی مبتنی بر عامل (Agent-based)
• 96. مدل‌سازی بیزی برای مسائل بهینه‌سازی
• 97. کاربرد Stan در تحلیل حساسیت
• 98. تفسیر نتایج در چارچوب قوانین و مقررات
• 99. مدل‌سازی بیزی برای مسائل پیچیده در Stan