اپلیکیشن اندرویدی فلش‌کارت آموزشی تنظیم پارامترهای Stan for Optimal Results

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیم پارامترهای Stan for Optimal Results

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. بررسی اجمالی روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در بیزی
• 2. آشنایی با محیط استن (CmdStan، RStan، CmdstanR)
• 3. مبانی بلوک مدل استن: داده‌ها، پارامترها، مقادیر تولیدشده
• 4. تبدیل پارامترهای محدود به فضای بدون محدودیت در استن
• 5. انتخاب و پارامترسازی پیش‌فرض‌ها در استن
• 6. شبیه‌سازی پیش‌بینی اولیه و بررسی‌های مربوطه
• 7. نمونه‌برداری پس‌ازمدل و روش‌های مرتبط
• 8. گرم‌آپ و تطبیق خودکار در استن
• 9. روش‌های پیش‌فرض برای اندازه گام و تطبیق
• 10. تنظیم adapt_delta برای دستیابی به نرخ پذیرش هدف
• 11. تنظیم اندازه گام برای بهینه‌سازی پذیرش
• 12. تنظیم متریک و ماتریس جرم برای بهبود کارایی
• 13. تنظیم max_treedepth برای کنترل انحراف‌ها
• 14. تشخیص انحراف‌ها و راه‌حل‌های عملی
• 15. تفسیر R-hat برای ارزیابی همگرایی
• 16. اندازه نمونه مؤثر و تشخیص خودهمبستگی
• 17. استفاده از چند زنجیره و استراتژی‌های مقدار اولیه
• 18. پارامترسازی غیرمتمرکز برای مدل‌های سلسله‌مراتبی
• 19. انتخاب پارامترسازی متمرکز در مقابل غیرمتمرکز
• 20. پیاده‌سازی مدل‌های سلسله‌مراتبی با اثرات سطح گروه
• 21. واگرایی جزئی و تأثیر آن بر برآوردها
• 22. مقایسه مدل با استفاده از صحت باقیمانده‌های ترک‌شده (LOO)
• 23. شاخص اطلاعات گسترده کاربردی (WAIC)
• 24. بررسی‌های پیش‌بینی پس‌ازمدل برای اعتبارسنجی مدل
• 25. تحلیل حساسیت به پیش‌فرض و استفاده از پیش‌فرض‌های مقاوم
• 26. پیاده‌سازی مدل‌های میکسچر در استن
• 27. مدل‌سازی سری‌های زمانی (مانند AR، مدل‌های حالت)
• 28. مدل‌سازی مکانی با استفاده از فرآیندهای گوسی
• 29. میانگین‌گیری مدل‌های بیزی با استفاده از استن
• 30. بهینه‌سازی MAP با استفاده از روش‌های بهینه‌سازی استن
• 31. استنتاج واریانسین با استفاده از ADVI در استن
• 32. مدل‌سازی مجموعه‌های داده بزرگ با استفاده از زیرنمونه‌گیری
• 33. استفاده از بلوک generated quantities برای شبیه‌سازی پیش‌بینی پس‌ازمدل
• 34. پیاده‌سازی توزیع‌های سفارشی در استن
• 35. مدل‌سازی داده‌های ناقص با استفاده از مدل‌سازی مشترک
• 36. پیاده‌سازی مدل‌های خطای اندازه‌گیری در استن
• 37. پیاده‌سازی مدل‌های Beta-Binomial برای داده‌های نسبت
• 38. پیاده‌سازی مدل‌های Dirichlet-Multinomial برای داده‌های دسته‌بندی‌شده
• 39. مدل‌سازی زنده‌مانی با استفاده از استن
• 40. مدل‌های مشترک برای داده‌های طولی و زنده‌مانی
• 41. کاربرد استن در استنتاج علّی با استفاده از نتایج بالقوه
• 42. تشخیص مدل‌های با پارامترهای با بعد بالا
• 43. تنظیمات برای پس‌ازمدل‌های چندشیستی
• 44. استفاده از بذرهای تصادفی برای بازتولیدپذیری
• 45. همزمان‌سازی چند زنجیره برای کارایی بهتر
• 46. نظارت بر منابع محاسباتی و زمان‌بندی
• 47. خروجی‌گیری نمونه‌ها برای تحلیل بیشتر
• 48. نمونه‌برداری پس‌ازمدل با استفاده از ggplot2
• 49. فرایند کاری: از داده‌ها تا مدل استن تا استنتاج
• 50. اشکال‌زدایی خطاهای رایج استن ( نحوی، تایپی، زمان اجرا)
• 51. نوشتن کد استن کارآمد برای سرعت بیشتر
• 52. پروفایل‌سازی برنامه‌های استن برای شناسایی گلوگاه‌ها
• 53. استفاده مستقیم از CmdStan از خط فرمان
• 54. ادغام استن با پایتون (PyStan، CmdStanPy)
• 55. ادغام استن در 파이پلاین‌های تولید
• 56. مدل‌سازی نسخه‌ها و مستندسازی مدل‌ها با استفاده از استن
• 57. انتخاب خودکار مدل با استفاده از بسته loo
• 58. شبیه‌سازی داده‌ها برای ارزیابی روش
• 59. اعتبارسنجی متقاطع با K-fold و LOO
• 60. پیاده‌سازی رگرسیون مقاوم در استن
• 61. پیاده‌سازی مدل‌های پرشماری و مانع‌زدایی
• 62. تحلیل تصمیم‌گیری با نظریه تصمیم‌گیری بیزی
• 63. کاربرد استن در مدل‌های بازی‌های تکاملی
• 64. تنظیم بهینه‌سازی ابرپارامترها با استفاده از اعتبارسنجی متقاطع تو در تو
• 65. نکات عملی برای مقیاس‌بندی مدل‌های بزرگ
• 66. آینده: شتاب‌دهنده‌های گرافیکی در استن
• 67. طرح‌های تطبیق سفارشی پیشرفته در استن
• 68. ساخت یک بسته استن برای قابل استفاده مجدد بودن