اپلیکیشن اندرویدی فلش‌کارت آموزشی تنظیم پارامترهای MCMC برای Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیم پارامترهای MCMC برای Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه ای بر نمونه‌گیری مارکوف چین مونت کارلو (MCMC)
• 2. اصول اساسی MCMC
• 3. انواع الگوریتم‌های MCMC
• 4. معرفی نرم‌افزار Stan
• 5. نصب و راه‌اندازی Stan
• 6. ساختار مدل در Stan
• 7. زبان مدل‌سازی Stan
• 8. توابع چگالی احتمال در Stan
• 9. مشتق‌گیری خودکار در Stan
• 10. بهینه‌سازی مدل در Stan
• 11. تکنیک‌های نمونه‌گیری در Stan
• 12. الگوریتم هامیلتونی مونت کارلو (HMC)
• 13. الگوریتم نمونه‌گیر گشتاوری (NUTS)
• 14. تشخیص همگرایی در MCMC
• 15. معیارهای همگرایی MCMC
• 16. نمودارهایtrace و ACF
• 17. شاخص‌های همگرایی (Gelman-Rubin)
• 18. تنظیم پارامترهای HMC
• 19. گام زمانی (stepsize) در HMC
• 20. تعداد گام‌های HMC
• 21. انرژی جنبشی در HMC
• 22. تنظیم پارامترهای NUTS
• 23. عمق بیشینه درخت (max_depth)
• 24. تعداد تکرار نمونه‌گیری
• 25. تنظیمات پیش‌فرض Stan
• 26. بهینه‌سازی سرعت نمونه‌گیری
• 27. کاهش طول زنجیره
• 28. استفاده از موازی‌سازی
• 29. پیش‌پردازش داده‌ها
• 30. اهمیت پیش‌پردازش
• 31. پاکسازی داده‌ها
• 32. استانداردسازی داده‌ها
• 33. تبدیلات داده‌ها
• 34. ایجاد ویژگی‌های جدید
• 35. مدل‌سازی بیزی
• 36. مبانی استنتاج بیزی
• 37. قضیه بیز
• 38. استفاده از توزیع پیشین
• 39. انتخاب توزیع پیشین مناسب
• 40. توزیع‌های پیشین غیر اطلاعاتی
• 41. توزیع‌های پیشین اطلاعاتی
• 42. توزیع‌های پیشین جفری
• 43. اعتبارسنجی مدل
• 44. ارزیابی برازش مدل
• 45. بایاس فاکتور (Bayes Factor)
• 46. اعتبارسنجی متقابل بیزی
• 47. بررسی باقی‌مانده‌ها
• 48. مدل‌های خطی تعمیم‌یافته (GLMs) در Stan
• 49. مدل رگرسیون لجستیک در Stan
• 50. مدل رگرسیون پواسون در Stan
• 51. مدل رگرسیون خطی در Stan
• 52. مدل‌های سلسله مراتبی در Stan
• 53. مقدمه‌ای بر مدل‌های سلسله مراتبی
• 54. پیاده‌سازی مدل‌های سلسله مراتبی در Stan
• 55. مدل‌های اثرات مختلط در Stan
• 56. مدل‌های سلسله مراتبی مکانی
• 57. مدل‌های سلسله مراتبی زمانی
• 58. پیش‌بینی با Stan
• 59. نحوه انجام پیش‌بینی
• 60. ارزیابی دقت پیش‌بینی
• 61. تولید مقادیر پیش‌بینی شده
• 62. مدیریت عدم قطعیت در پیش‌بینی
• 63. کاربردهای عملی MCMC و Stan
• 64. تحلیل داده‌های زیستی
• 65. تحلیل داده‌های اقتصادی
• 66. تحلیل داده‌های علوم اجتماعی
• 67. تحلیل داده‌های مهندسی
• 68. تحلیل داده‌های علوم محیطی
• 69. مباحث پیشرفته در Stan
• 70. کار با داده‌های حجیم
• 71. بهینه‌سازی حافظه
• 72. استفاده از Stan در شبکه‌های عصبی
• 73. پیاده‌سازی مدل‌های پیچیده
• 74. تکنیک‌های نمونه‌گیری پیشرفته
• 75. مدل‌های گرافی در Stan
• 76. بهینه‌سازی الگوریتم‌های MCMC
• 77. مقدمه‌ای بر تئوری اطلاعات در MCMC
• 78. روش‌های MCMC با کارایی بالا
• 79. کدنویسی پیشرفته در Stan
• 80. ساخت توابع سفارشی در Stan
• 81. استفاده از C++ در Stan
• 82. مدیریت خطا در Stan
• 83. اشکال‌زدایی مدل‌های Stan
• 84. روش‌های بصری‌سازی پیشرفته
• 85. تحلیل حساسیت پارامترها
• 86. مقایسه مدل‌ها با استفاده از Stan
• 87. تنظیمات پیشرفته برای HMC و NUTS
• 88. بهینه‌سازی پارامترهای HMC
• 89. بهینه‌سازی پارامترهای NUTS
• 90. راهنمای عملی برای تنظیم پارامترها
• 91. نکات و ترفندهای پیشرفته
• 92. ملاحظات اخلاقی در تحلیل داده‌ها
• 93. حفظ حریم خصوصی داده‌ها
• 94. شفافیت در مدل‌سازی
• 95. گزارش‌دهی نتایج
• 96. تفسیر صحیح نتایج آماری
• 97. نرم‌افزارهای مرتبط با Stan
• 98. RStan
• 99. PyStan
• 100. CmdStan