دوره مدیریت سوگیری در نمونه‌گیری MCMC با Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدیریت سوگیری در نمونه‌گیری MCMC با Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مبانی احتمالات و آمار برای MCMC
• 2. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو
• 3. مفاهیم پایه نظری MCMC
• 4. الگوریتم‌های نمونه‌گیری اولیه MCMC
• 5. پیاده‌سازی الگوریتم‌های MCMC
• 6. ارزیابی همگرایی در MCMC
• 7. تشخیص و رفع مشکل ناهمگرایی
• 8. استفاده از نرم‌افزار Stan برای MCMC
• 9. معرفی زبان برنامه‌نویسی Stan
• 10. نحوه تعریف مدل در Stan
• 11. نمونه‌گیری از توزیع‌های پسین در Stan
• 12. مفاهیم پیشرفته‌تر در Stan
• 13. مدل‌های خطی تعمیم‌یافته با Stan
• 14. مدل‌های سلسله‌مراتبی با Stan
• 15. مدل‌های فضایی با Stan
• 16. مدل‌های سری زمانی با Stan
• 17. مدیریت سوگیری در نمونه‌گیری MCMC
• 18. علل سوگیری در نمونه‌گیری MCMC
• 19. تشخیص سوگیری در نمونه‌گیری MCMC
• 20. معیارهای ارزیابی سوگیری
• 21. روش‌های کاهش سوگیری در MCMC
• 22. تنظیم پارامترهای الگوریتم‌های MCMC
• 23. بهبود کارایی نمونه‌گیری
• 24. استفاده از اطلاعات پیشین در Stan
• 25. مدل‌سازی داده‌های گسسته در Stan
• 26. مدل‌سازی داده‌های پیوسته در Stan
• 27. مدل‌سازی داده‌های شمارشی در Stan
• 28. مدل‌سازی داده‌های دودویی در Stan
• 29. مدل‌سازی داده‌های رگرسیونی در Stan
• 30. مدل‌سازی داده‌های طبقه‌بندی در Stan
• 31. کاربرد MCMC در علوم زیستی
• 32. کاربرد MCMC در علوم اجتماعی
• 33. کاربرد MCMC در علوم اقتصادی
• 34. کاربرد MCMC در علوم مهندسی
• 35. کاربرد MCMC در علوم مالی
• 36. کاربرد MCMC در علوم پزشکی
• 37. کاربرد MCMC در علوم محیطی
• 38. کاربرد MCMC در علوم کامپیوتر
• 39. کاربرد MCMC در علوم داده
• 40. مدل‌سازی آماری پیشرفته با Stan
• 41. استنتاج بیزی در Stan
• 42. تفسیر نتایج مدل‌های بیزی
• 43. اعتبارسنجی مدل‌های بیزی
• 44. مقایسه مدل‌های بیزی
• 45. استفاده از داده‌های حجیم در MCMC
• 46. موازی‌سازی الگوریتم‌های MCMC
• 47. بهینه‌سازی کد Stan
• 48. استفاده از بسته CmdStanR
• 49. استفاده از بسته RStan
• 50. استفاده از بسته PyStan
• 51. مقدمه‌ای بر بهینه‌سازی بیزی
• 52. تفاوت بهینه‌سازی بیزی و MCMC
• 53. کاربرد بهینه‌سازی بیزی
• 54. مقدمه‌ای بر مدل‌های گرافیکی احتمالاتی
• 55. نمونه‌گیری از مدل‌های گرافیکی
• 56. کاربرد مدل‌های گرافیکی در MCMC
• 57. مقدمه‌ای بر روش‌های نمونه‌گیری متغیر پنهان
• 58. نمونه‌گیری از مدل‌های با متغیر پنهان
• 59. کاربرد متغیر پنهان در Stan
• 60. مدل‌سازی داده‌های گمشده با MCMC
• 61. تکنیک‌های imputation در Stan
• 62. ارزیابی عدم قطعیت در پیش‌بینی‌ها
• 63. استفاده از MCMC برای شبیه‌سازی
• 64. شبیه‌سازی سناریوهای مختلف
• 65. تحلیل حساسیت پارامترها
• 66. مقدمه‌ای بر یادگیری ماشین بیزی
• 67. تفاوت یادگیری ماشین بیزی و MCMC
• 68. کاربرد یادگیری ماشین بیزی
• 69. تکنیک‌های نمونه‌گیری پیشرفته
• 70. نمونه‌گیری با نسبت پذیرش متغیر
• 71. نمونه‌گیری با گام متغیر
• 72. نمونه‌گیری موازی مارکوف
• 73. مقدمه‌ای بر MCMC در شبکه‌های عصبی
• 74. آموزش شبکه‌های عصبی بیزی با Stan
• 75. استفاده از MCMC برای ارزیابی مدل‌های یادگیری ماشین
• 76. مقدمه‌ای بر MCMC در پردازش زبان طبیعی
• 77. کاربرد MCMC در تحلیل احساسات
• 78. کاربرد MCMC در مدل‌سازی موضوعی
• 79. مقدمه‌ای بر MCMC در بینایی ماشین
• 80. کاربرد MCMC در تشخیص اشیاء
• 81. کاربرد MCMC در تقسیم‌بندی تصاویر
• 82. مقدمه‌ای بر MCMC در سیستم‌های توصیه‌گر
• 83. کاربرد MCMC در توصیه‌گرهای شخصی‌سازی شده
• 84. مقدمه‌ای بر MCMC در تحلیل شبکه‌های اجتماعی
• 85. کاربرد MCMC در کشف جامعه
• 86. کاربرد MCMC در تحلیل نفوذ
• 87. مقدمه‌ای بر MCMC در مدل‌سازی ریسک
• 88. کاربرد MCMC در ارزیابی ریسک مالی
• 89. کاربرد MCMC در مدل‌سازی ریسک اعتباری
• 90. مقدمه‌ای بر MCMC در مدل‌سازی تغییرات اقلیمی
• 91. کاربرد MCMC در پیش‌بینی تغییرات دما
• 92. کاربرد MCMC در مدل‌سازی انتشار گازهای گلخانه‌ای
• 93. مقدمه‌ای بر MCMC در مدل‌سازی اپیدمیولوژیک
• 94. کاربرد MCMC در پیش‌بینی شیوع بیماری
• 95. کاربرد MCMC در ارزیابی اثربخشی واکسن
• 96. مقدمه‌ای بر MCMC در حوزه سلامت
• 97. کاربرد MCMC در تحلیل داده‌های بالینی
• 98. کاربرد MCMC در مدل‌سازی بقا
• 99. کاربرد MCMC در حوزه انرژی
• 100. کاربرد MCMC در پیش‌بینی مصرف انرژی