دوره پایش و ارزیابی مدل‌های بیزی در حین اجرا با Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پایش و ارزیابی مدل‌های بیزی در حین اجرا با Stan

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

موضوع میانی: ارزیابی خروجی Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مدل‌های بیزی و مفاهیم پایه
• 2. معرفی زبان برنامه‌نویسی R برای مدل‌سازی بیزی
• 3. نصب و راه‌اندازی Stan و ابزارهای مرتبط
• 4. مبانی احتمال و استنباط بیزی
• 5. توزیع‌های پیشین و پسین: مفاهیم و کاربردها
• 6. انتخاب توزیع پیشین مناسب در عمل
• 7. مدل‌های خطی ساده بیزی
• 8. تفسیر نتایج مدل‌های خطی بیزی
• 9. مدل‌های خطی تعمیم‌یافته بیزی (GLM)
• 10. کاربرد GLM در تحلیل داده‌های شمارشی
• 11. کاربرد GLM در تحلیل داده‌های دودویی
• 12. مقدمه‌ای بر مدل‌های سری زمانی بیزی
• 13. مدل‌های ساده سری زمانی با Stan
• 14. مدل‌های پیشرفته سری زمانی بیزی
• 15. کاربرد مدل‌های سری زمانی در پیش‌بینی
• 16. مبانی مدل‌های سلسله‌مراتبی بیزی
• 17. مدل‌های سلسله‌مراتبی برای داده‌های خوشه‌ای
• 18. مدل‌های سلسله‌مراتبی با اثرات تصادفی
• 19. مدل‌های سلسله‌مراتبی برای تحلیل داده‌های طولی
• 20. مقدمه‌ای بر مدل‌های فضایی بیزی
• 21. کاربرد مدل‌های فضایی در تحلیل داده‌های جغرافیایی
• 22. مدل‌های فضایی با خودهمبستگی مکانی
• 23. مبانی مدل‌های بقا بیزی
• 24. مدل‌های کاکس بیزی
• 25. کاربرد مدل‌های بقا در تحلیل داده‌های بالینی
• 26. مقدمه‌ای بر مدل‌های پنهان مارکوف بیزی
• 27. کاربرد مدل‌های پنهان مارکوف در تحلیل داده‌های متوالی
• 28. مبانی مدل‌های گراف بیزی
• 29. کاربرد مدل‌های گراف در حوزه‌های مختلف
• 30. مدل‌های گراف برای استنباط علّی
• 31. مقدمه‌ای بر بهینه‌سازی بیزی
• 32. کاربرد بهینه‌سازی بیزی در تنظیم هایپرپارامترها
• 33. بهینه‌سازی بیزی برای جستجوی کارآمد
• 34. مقدمه‌ای بر مدل‌های انتشار بیزی
• 35. کاربرد مدل‌های انتشار در یادگیری ماشین
• 36. مدل‌های انتشار برای تولید محتوا
• 37. مقدمه‌ای بر روش‌های نمونه‌برداری MCMC
• 38. الگوریتم گیبس (Gibbs Sampling)
• 39. الگوریتم هابز (Hamiltonian Monte Carlo - HMC)
• 40. الگوریتم نمونه‌گیری زنجیره مارکوف با پرش (Langevin)
• 41. ارزیابی همگرایی زنجیره‌های مارکوف
• 42. شاخص‌های همگرایی MCMC
• 43. تشخیص و رفع مشکلات همگرایی
• 44. روش‌های کاهش واریانس در MCMC
• 45. نمونه‌گیری اهمیت (Importance Sampling)
• 46. فیلتر کالمن بیزی
• 47. فیلتر ذرات بیزی
• 48. کاربرد فیلتر کالمن در سیستم‌های دینامیکی
• 49. کاربرد فیلتر ذرات در ردیابی و تخمین حالت
• 50. مقدمه‌ای بر پایش مدل‌های بیزی در حین اجرا
• 51. چالش‌های پایش مدل‌های پیچیده
• 52. شاخص‌های ارزیابی عملکرد مدل در حین اجرا
• 53. بررسی انحراف مدل (Model Drift)
• 54. تشخیص تغییرات در توزیع داده‌ها
• 55. روش‌های تشخیص تغییر ناگهانی در داده‌ها
• 56. روش‌های تشخیص تغییر تدریجی در داده‌ها
• 57. پایش انطباق مدل با داده‌های جدید
• 58. ارزیابی دقت پیش‌بینی در حین اجرا
• 59. شاخص‌های ارزیابی دقت پیش‌بینی
• 60. روش‌های به‌روزرسانی مدل با داده‌های جدید
• 61. بازآموزی (Retraining) مدل‌ها
• 62. یادگیری پیوسته (Online Learning)
• 63. تنظیم مجدد (Re-calibration) مدل‌ها
• 64. مدیریت انحراف مدل با استفاده از آستانه‌ها
• 65. استفاده از ابزارهای پایش خودکار
• 66. پیاده‌سازی سیستم‌های هشداردهنده برای انحراف مدل
• 67. ارزیابی تاثیر انحراف مدل بر تصمیم‌گیری‌ها
• 68. مستندسازی فرآیند پایش و ارزیابی
• 69. تعیین استراتژی‌های واکنش به انحراف مدل
• 70. مدل‌سازی مجدد در صورت انحراف قابل توجه
• 71. تست A/B برای مقایسه مدل‌های به‌روز شده
• 72. اهمیت پایش مداوم در کاربردهای حیاتی
• 73. پایش مدل‌های بیزی در حوزه مالی
• 74. پایش مدل‌های بیزی در حوزه سلامت
• 75. پایش مدل‌های بیزی در حوزه بازاریابی
• 76. پایش مدل‌های بیزی در حوزه مهندسی
• 77. اصول اخلاقی در پایش و مدیریت مدل‌های بیزی
• 78. مسئولیت‌پذیری در قبال تصمیمات مبتنی بر مدل
• 79. حفظ حریم خصوصی داده‌ها در فرآیند پایش
• 80. اهمیت شفافیت در فرآیند پایش مدل