کتاب صوتی تنظیمات پیشرفته برای مدل‌سازی در Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیمات پیشرفته برای مدل‌سازی در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مبانی مدل‌سازی آماری در Stan
• 2. نصب و پیکربندی Stan
• 3. آشنایی با زبان Stan: سینتکس پایه
• 4. تعریف متغیرها و بردارها در Stan
• 5. ساختار داده‌ها در Stan: وکتورها، ماتریس‌ها، آرایه‌ها
• 6. بخش داده‌ها (Data) در مدل‌های Stan
• 7. بخش پارامترها (Parameters) در مدل‌های Stan
• 8. بخش مدل (Model) در Stan: توابع چگالی احتمال
• 9. بخش تبدیل (Transformed Data) در Stan
• 10. بخش تبدیل (Transformed Parameters) در Stan
• 11. بخش تابع درست‌نمایی (Generated Quantities) در Stan
• 12. مدل‌های خطی ساده در Stan
• 13. رگرسیون خطی چندگانه در Stan
• 14. مدل‌های خطی تعمیم‌یافته (GLM) در Stan
• 15. رگرسیون لجستیک در Stan
• 16. رگرسیون پواسون در Stan
• 17. مدل‌های سلسله‌مراتبی (Hierarchical Models) در Stan
• 18. مدل‌های اثرات تصادفی (Random Effects) در Stan
• 19. مدل‌های اثرات ثابت (Fixed Effects) در Stan
• 20. ترکیب اثرات ثابت و تصادفی در Stan
• 21. مدل‌های سری زمانی ساده در Stan
• 22. مدل‌های ARIMA در Stan
• 23. مدل‌های شرطی ناهمسانی (ARCH/GARCH) در Stan
• 24. مدل‌های خطی مختلط برای داده‌های تودرتو (Mixed-Effects Models)
• 25. مدل‌های رگرسیون کوواریانس (Covariance Regression Models)
• 26. مدل‌های رگرسیون ناپارامتری در Stan
• 27. مدل‌های رگرسیون کوانتایل در Stan
• 28. مدل‌های بقا (Survival Models) در Stan
• 29. مدل‌های بقا با اثرات مشترک
• 30. مدل‌های عاملی (Factor Models) در Stan
• 31. مدل‌های ساختاری کوواریانس (SEM) در Stan
• 32. مدل‌های رگرسیون لجستیک شرطی
• 33. مدل‌های رگرسیون لجستیک چندسطحی
• 34. مدل‌های آماری برای داده‌های گسسته
• 35. مدل‌های آماری برای داده‌های پیوسته
• 36. مدل‌های آماری برای داده‌های شمارشی
• 37. مدل‌های آماری برای داده‌های دودویی
• 38. مدل‌های آماری برای داده‌های ترتیبی
• 39. مدل‌های آماری برای داده‌های طبقه‌بندی شده
• 40. مدل‌های آماری برای داده‌های با ساختار مکانی
• 41. مدل‌های آماری برای داده‌های با ساختار زمانی
• 42. مدل‌های بیزی (Bayesian Models) در Stan
• 43. مفاهیم پیشین (Prior Distributions) در مدل‌های بیزی
• 44. توزیع‌های پسین (Posterior Distributions) در مدل‌های بیزی
• 45. روش‌های نمونه‌گیری مارکوف چین مونت کارلو (MCMC)
• 46. الگوریتم هامیلتونی مونت کارلو (HMC)
• 47. الگوریتم نمونه‌گیری متغیر پنهان (NUTS)
• 48. ارزیابی همگرایی زنجیره‌های MCMC
• 49. معیارهای ارزیابی همگرایی (R-hat, ESS)
• 50. تفسیر نتایج مدل‌های بیزی
• 51. اعتبارسنجی مدل‌های بیزی
• 52. مدل‌های خطی تعمیم‌یافته بیزی
• 53. مدل‌های سلسله‌مراتبی بیزی
• 54. مدل‌های بیزی برای سری‌های زمانی
• 55. مدل‌های بیزی برای داده‌های مکانی-زمانی
• 56. مدل‌های بیزی برای تحلیل شبکه‌ها
• 57. مدل‌های بیزی برای داده‌های تصویری
• 58. مدل‌های بیزی برای پردازش زبان طبیعی
• 59. مدل‌های بیزی برای یادگیری ماشین
• 60. روش‌های شبیه‌سازی در Stan
• 61. تولید اعداد تصادفی در Stan
• 62. استفاده از توابع کمکی در Stan
• 63. بهینه‌سازی مدل‌ها در Stan
• 64. روش‌های تخمین حداکثر درست‌نمایی در Stan
• 65. روش‌های تخمین بیزی در Stan
• 66. کاربرد Stan در علوم زیستی
• 67. کاربرد Stan در علوم اجتماعی
• 68. کاربرد Stan در اقتصاد
• 69. کاربرد Stan در مهندسی
• 70. کاربرد Stan در علوم کامپیوتر
• 71. کاربرد Stan در تحقیقات بازاریابی
• 72. کاربرد Stan در علوم داده
• 73. مدیریت داده‌ها برای مدل‌سازی در Stan
• 74. پیش‌پردازش داده‌ها در Stan
• 75. پاکسازی داده‌ها در Stan
• 76. تبدیل داده‌ها در Stan
• 77. اعتبارسنجی متقابل (Cross-validation) در Stan
• 78. انتخاب مدل در Stan
• 79. مقایسه مدل‌ها در Stan
• 80. تفسیر پارامترهای مدل در Stan
• 81. تجسم نتایج مدل در Stan
• 82. ارائه نتایج مدل در Stan
• 83. مدل‌سازی احتمالی در Stan
• 84. مدل‌سازی غیرقطعی در Stan
• 85. مدل‌سازی قطعی در Stan
• 86. مباحث پیشرفته در مدل‌سازی Stan
• 87. مدل‌های پنهان مارکوف (HMM) در Stan
• 88. مدل‌های پنهان مارکوف شرطی (CHMM) در Stan
• 89. مدل‌های گرافیکی در Stan
• 90. شبکه‌های بیزی در Stan
• 91. مدل‌های گوسی فرآیند (Gaussian Processes) در Stan
• 92. مدل‌های یادگیری عمیق در Stan
• 93. مدل‌های آماری برای کشف دانش
• 94. مدل‌های آماری برای پیش‌بینی
• 95. مدل‌های آماری برای ارزیابی ریسک
• 96. مدل‌های آماری برای تصمیم‌گیری
• 97. مدل‌های آماری برای بهینه‌سازی فرآیند
• 98. مدل‌های آماری برای تحلیل علت و معلول
• 99. مدل‌های آماری برای شبیه‌سازی سیستم‌های پیچیده
• 100. مدل‌های آماری برای تحلیل داده‌های حجیم (Big Data)