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. ملتقی آمار بیزی و MCMC معرفی
• 2. اصول پایهٔ MCMC
• 3. الگوریتم‌های کلیدی MCMC (Metropolis‑Hastings)
• 4. نمونه‌گیری Gibbs در مدل‌های آماری
• 5. نرم‌افزار Stan و نحوهٔ ورود به آن
• 6. پارامترهای تنظیم در Stan
• 7. آشنایی با مستندات رسمی Stan
• 8. اندازه‌گیری تنش و تشخیص عدم همگرایی
• 9. پارامتر adapt_delta در Stan
• 10. پارامتر target_accept برای Metropolis‑Hastings
• 11. کنترل سرعت و مقدار قدم‌گذاری (step size)
• 12. تطبیق ماتریس جرم در MCMC
• 13. روش‌های تنظیم پیشرفتهٔ HMC در Stan
• 14. نرم‌افتار NUTS و هیپرپارامتر تنظیم
• 15. تشخیص وضعیت ترک‌تک‌سازی (divergence) و رفع آن
• 16. تحلیل نمونه‌های پس از MCMC (Rhat, ESS)
• 17. نمایش نتایج MCMC با PlotMCMC
• 18. تنظیم اولیهٔ نمونه‌گیری (warmup vs sampling)
• 19. مدیریت مشکلات رفتاری در نمونه‌گیری
• 20. مقایسهٔ متریادهای تنظیم در پروژه‌های مختلف
• 21. بهینه‌سازی زمان اجرای MCMC با Stan
• 22. تست‌های واقعیت با داده‌های گزارش‌شده
• 23. تنظیم پارامترها در مدل‌های با پارامتر بسیار زیاد
• 24. استفاده از محاسبات تو در تو (nested sampling) با Stan
• 25. ترکیب MCMC با تکنیک‌های استعماری (parallel chains)
• 26. مدیریت ذخیره‌سازی روی دستگاه‌های مختلف
• 27. امنیت داده‌ها و محرمانگی در MCMC با Stan
• 28. هماهنگی بین MCMC و محاسبات دیفرانسیل
• 29. راهنمای گام‌به‌گام نوشتن برنامهٔ Stan برای MCMC
• 30. آزمایش‌های حساسیت به پارامترهای تنظیم
• 31. تجزیه‌وتحلیل خطاهای رایج
• 32. بهینه‌سازی حافظه در MCMC با Stan
• 33. استفاده از کتابخانه‌های جانبی برای تنظیم MCMC
• 34. مطالعات موردی از تحقیقات بزرگ
• 35. نقشه‌ی کاری تنظیم پارامترها در مسیر آموزش
• 36. تمرینات عملی: تنظیم MCMC برای مدل داغ (tornado diagram)
• 37. ارزیابی کیفیت نتایج با نمونه‌گیری موازی
• 38. تنظیم پارامترها در مدل‌های با وابستگی طیفی