کتاب صوتی راهنمای کاربردی Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای کاربردی Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر آمار بیزی و نیاز به Stan
• 2. معرفی Stan: تاریخچه، فلسفه و مزایا
• 3. نصب و راه‌اندازی Stan: محیط‌های مختلف (R, Python, Cmdstan)
• 4. ساختار یک مدل Stan: بلوک‌های اصلی (data, parameters, model, transformed parameters)
• 5. نحوه تعریف توزیع‌های احتمال در Stan
• 6. توزیع‌های رایج در Stan: نرمال، یکنواخت، گاما، بتا و غیره
• 7. ورودی و خروجی داده‌ها در Stan
• 8. مدل‌سازی داده‌های پیوسته
• 9. مدل‌سازی داده‌های گسسته
• 10. استفاده از توابع و اپراتورها در Stan
• 11. مدل‌سازی سلسله مراتبی (Hierarchical Modeling) در Stan
• 12. تغییر شکل پارامترها (Transformed Parameters) و کاربرد آن‌ها
• 13. مفهوم نمونه‌گیری MCMC و الگوریتم‌های آن در Stan
• 14. الگوریتم‌های نمونه‌گیری در Stan: NUTS و HMC
• 15. ارزیابی همگرایی (Convergence) در Stan
• 16. تشخیص مشکلات همگرایی و راه‌حل‌ها
• 17. تنظیم پارامترهای نمونه‌گیری: stepsize, adapt_delta, max_treedepth
• 18. استفاده از priorها: انتخاب و تاثیر آن‌ها بر نتایج
• 19. مدل‌سازی با priorهای غیر informative
• 20. مقایسه مدل‌ها با استفاده از WAIC و LOO
• 21. اعتبارسنجی مدل (Model Validation) و بررسی تناسب (Goodness-of-fit)
• 22. مدل‌سازی missing data در Stan
• 23. مدل‌سازی داده‌های زمان‌سریه در Stan
• 24. کار با توابع built-in Stan
• 25. نوشتن توابع custom در Stan
• 26. بهینه‌سازی مدل‌های Stan
• 27. استفاده از Stan برای مسائل رگرسیون
• 28. مدل‌سازی خطی تعمیم‌یافته (Generalized Linear Models) در Stan
• 29. مدل‌سازی مخلوط (Mixture Models) در Stan
• 30. مدل‌سازی بقا (Survival Analysis) در Stan
• 31. کار با داده‌های چندمتغیره در Stan
• 32. استفاده از Stan برای Bayesian A/B Testing
• 33. ادغام Stan با R: رابط rstan
• 34. ادغام Stan با Python: رابط PyStan
• 35. ادغام Stan با Julia: رابط CmdStan.jl
• 36. اشتباهات رایج در مدل‌سازی Stan و نحوه رفع آن‌ها
• 37. عیب‌یابی (Debugging) مدل‌های Stan
• 38. بهبود عملکرد مدل‌های Stan
• 39. نکات پیشرفته در مدل‌سازی Stan