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. مقدمه‌ای بر Stan و MCMC
• 2. نصب و راه‌اندازی Stan
• 3. ساختار یک مدل Stan
• 4. ورودی‌ها و خروجی‌های Stan
• 5. مفاهیم پایه در تنظیم پارامترهای MCMC
• 6. پارامترهای نمونه‌گیری اولیه: `init` و `seed`
• 7. تعداد تکرارها: `iter` و `warmup`
• 8. تعداد زنجیره‌ها: `chains`
• 9. تنظیم `stepsize` و تاثیر آن بر کارایی
• 10. تنظیم `adapt_delta` برای پایداری نمونه‌گیری
• 11. تشخیص واگرایی زنجیره‌ها (Divergences)
• 12. علل واگرایی در Stan
• 13. راه‌های کاهش واگرایی
• 14. تنظیم پارامترهای `max_treedepth` و `min_treedepth`
• 15. بررسی آماره‌های R-hat (R̂)
• 16. تفسیر آماره‌های R-hat و تشخیص مشکلات همگرایی
• 17. بررسی نمودارهای trace plot برای ارزیابی همگرایی
• 18. بررسی نمودارهای autocorrelation برای تشخیص خودهمبستگی
• 19. تنظیم `target_accept` برای بهبود کارایی
• 20. استفاده از priorهای informative و تاثیر آنها بر MCMC
• 21. انتخاب priorهای مناسب برای پارامترها
• 22. تاثیر priorهای غیر informative بر نتایج
• 23. تنظیم پارامترهای نمونه‌گیری برای مدل‌های پیچیده
• 24. نمونه‌گیری موازی در Stan
• 25. استفاده از توابع callback در Stan
• 26. بهینه‌سازی مدل Stan برای سرعت و کارایی
• 27. مقایسه روش‌های مختلف تنظیم پارامترها
• 28. عیب‌یابی مشکلات رایج در MCMC Stan
• 29. استفاده از ابزارهای تشخیصی Stan
• 30. بررسی تاثیر اندازه نمونه بر دقت تخمین‌ها
• 31. تنظیم پارامترها برای مدل‌های hierarchical
• 32. تنظیم پارامترها برای مدل‌های non-centered
• 33. تنظیم پارامترها برای مدل‌های با داده‌های missing
• 34. استفاده از Stan برای مدل‌های Bayesian A/B testing
• 35. تنظیم پارامترها برای مدل‌های survival analysis
• 36. تنظیم پارامترها برای مدل‌های mixed effects
• 37. بررسی و مقایسه خروجی‌های Stan با نرم‌افزارهای دیگر
• 38. کار با مدل‌های Stan در R
• 39. کار با مدل‌های Stan در Python