اپلیکیشن اندرویدی فلش‌کارت آموزشی بهینه‌سازی اجرای MCMC در Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی اجرای MCMC در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر Stan و MCMC
• 2. نصب و راه‌اندازی Stan و ابزارهای مرتبط
• 3. ساختار یک مدل Stan
• 4. انواع داده‌ها در Stan
• 5. توابع و عملگرها در Stan
• 6. تعریف توزیع‌های احتمال در Stan
• 7. توابع Likelihood در Stan
• 8. توابع Prior در Stan
• 9. نمونه‌گیری با استفاده از دستور `sampling`
• 10. پارامترهای الگوریتم MCMC در Stan
• 11. تنظیم پارامتر `iter` و `chains`
• 12. تنظیم پارامتر `warmup`
• 13. تنظیم پارامتر `thin`
• 14. تشخیص همگرایی زنجیره‌های MCMC
• 15. استفاده از Rhat برای ارزیابی همگرایی
• 16. استفاده از Traceplot برای بررسی بصری همگرایی
• 17. استفاده از Autocorrelation plot برای بررسی همبستگی
• 18. شناسایی و رفع مشکلات همگرایی
• 19. بهینه‌سازی کد Stan برای افزایش سرعت
• 20. استفاده از توابع داخلی Stan
• 21. اجتناب از محاسبات غیرضروری
• 22. استفاده از `transformed parameters`
• 23. استفاده از `generated quantities`
• 24. مقایسه performance مدل‌های مختلف Stan
• 25. استفاده از Stan برای مدل‌های پیچیده
• 26. مدل‌سازی سلسله مراتبی در Stan
• 27. مدل‌های Mixed Effects در Stan
• 28. بهینه‌سازی Stan با استفاده از `adfun`
• 29. استفاده از `gradient` و `hessian` در Stan
• 30. تنظیم پارامترهای الگوریتم‌های بهینه‌سازی (Optimizer)
• 31. مقایسه الگوریتم‌های بهینه‌سازی مختلف Stan
• 32. استفاده از Stan برای مدل‌های زمان‌سری
• 33. مدل‌سازی Bayesian Non-parametric در Stan
• 34. استفاده از Stan با زبان‌های برنامه‌نویسی دیگر (R, Python)
• 35. خطایابی و رفع اشکال در مدل‌های Stan
• 36. بهینه‌سازی حافظه در Stan
• 37. استفاده از Stan برای داده‌های بزرگ
• 38. تکنیک‌های موازی‌سازی در Stan
• 39. بهینه‌سازی Stan برای محاسبات distributed
• 40. اعتبارسنجی مدل Stan
• 41. بررسی حساسیت مدل Stan