دوره تکنیک‌های تشخیص و حذف اثرات Burn-in در زنجیره مارکوف همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های تشخیص و حذف اثرات Burn-in در زنجیره مارکوف

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

موضوع میانی: مسئله "burn-in"

📋 سرفصل‌های دوره

• 1. مبانی زنجیره‌های مارکوف در MCMC
• 2. نقش توزیع اولیه در شروع زنجیره
• 3. تعریف Burn-in و دوره گذار
• 4. چرا اثرات Burn-in ایجاد می‌شوند
• 5. تفاوت Burn-in با همگرایی زنجیره
• 6. رابطه Burn-in با توزیع هدف
• 7. اثر مقداردهی اولیه بر مسیر زنجیره
• 8. تشخیص بصری رفتار اولیه زنجیره
• 9. نمودار Trace برای شناسایی Burn-in
• 10. مقایسه Trace Plot در زنجیره‌های مختلف
• 11. شناسایی روندهای اولیه در نمونه‌ها
• 12. تشخیص ناپایداری و نوسانات اولیه
• 13. بررسی توزیع نمونه‌ها در طول زنجیره
• 14. Autocorrelation و اثر آن بر ارزیابی Burn-in
• 15. مفهوم Stationarity در زنجیره مارکوف
• 16. بررسی ایستایی تجربی زنجیره
• 17. تشخیص همگرایی پیش از حذف Burn-in
• 18. معیارهای تشخیص همگرایی زنجیره
• 19. آزمون Gelman-Rubin و R-hat
• 20. مقایسه چند زنجیره برای تشخیص Burn-in
• 21. استفاده از زنجیره‌های موازی
• 22. مقایسه نقاط شروع مختلف
• 23. تشخیص حساسیت نتایج به Initialization
• 24. روش Graphical Assessment برای Burn-in
• 25. تعیین طول مناسب دوره Burn-in
• 26. روش حذف تعداد ثابتی از نمونه‌های ابتدایی
• 27. تعیین Burn-in بر اساس Trace Plot
• 28. تعیین Burn-in با بررسی آماری
• 29. تعیین Burn-in در چند زنجیره
• 30. مقایسه Burn-in کوتاه و طولانی
• 31. پیامدهای حذف بیش‌ازحد نمونه‌های ابتدایی
• 32. پیامدهای حذف ناکافی Burn-in
• 33. تأثیر Burn-in بر برآورد پارامترها
• 34. تأثیر Burn-in بر فواصل اعتباری
• 35. تأثیر Burn-in بر برآورد میانگین پسین
• 36. تأثیر Burn-in بر واریانس پسین
• 37. تأثیر Burn-in بر Effective Sample Size
• 38. رابطه Burn-in و Effective Sample Size
• 39. Burn-in در الگوریتم Metropolis-Hastings
• 40. Burn-in در Gibbs Sampling
• 41. Burn-in در Hamiltonian Monte Carlo
• 42. Burn-in در الگوریتم‌های تطبیقی MCMC
• 43. Burn-in در مدل‌های بیزی سلسله‌مراتبی
• 44. Burn-in در مدل‌های با ابعاد بالا
• 45. Burn-in در توزیع‌های پسین پیچیده
• 46. اثر چندمدی بودن توزیع پسین بر Burn-in
• 47. تشخیص گیرکردن زنجیره در یک Mode
• 48. تفاوت Burn-in با Mixing ضعیف
• 49. تشخیص Mixing ناکافی پس از Burn-in
• 50. بررسی Autocorrelation پس از حذف Burn-in
• 51. Thinning و تفاوت آن با Burn-in
• 52. چرا Thinning جایگزین Burn-in نیست
• 53. انتخاب همزمان Burn-in و Thinning
• 54. استفاده از Warm-up در پیاده‌سازی‌های MCMC
• 55. تفاوت Warm-up و Burn-in
• 56. نقش Adaptation در Warm-up
• 57. تشخیص پایان فاز Adaptation
• 58. تنظیم Warm-up در Hamiltonian Monte Carlo
• 59. اثر Initialization در Stan
• 60. تحلیل Warm-up و Sampling در Stan
• 61. بررسی Traceهای پیش و پس از Warm-up
• 62. تشخیص Divergence پس از Warm-up
• 63. رابطه Step Size با Warm-up
• 64. رابطه Mass Matrix با Warm-up
• 65. تأثیر Initialization بر عملکرد NUTS
• 66. Burn-in در PyMC و ابزارهای مشابه
• 67. مقایسه روش‌های Burn-in در نرم‌افزارهای MCMC
• 68. پیاده‌سازی حذف Burn-in با Python
• 69. پیاده‌سازی تحلیل Burn-in با R
• 70. محاسبه شاخص‌های همگرایی پس از Burn-in
• 71. مقایسه Posterior قبل و بعد از Burn-in
• 72. مقایسه خلاصه آماری قبل و بعد از Burn-in
• 73. تحلیل حساسیت به طول Burn-in
• 74. طراحی آزمایش برای انتخاب Burn-in
• 75. انتخاب خودکار نقطه شروع نمونه‌های معتبر
• 76. تشخیص Burn-in با روش‌های مبتنی بر Change Point
• 77. روش‌های مبتنی بر CUSUM برای تشخیص تغییر رفتار زنجیره
• 78. تحلیل Mean Stability برای تشخیص Burn-in
• 79. تحلیل Variance Stability برای تشخیص Burn-in
• 80. استفاده از Geweke Diagnostic در ارزیابی اولیه زنجیره
• 81. مقایسه Geweke با R-hat برای همگرایی
• 82. تشخیص Burn-in در زنجیره‌های دارای روند
• 83. بررسی Burn-in در زنجیره‌های دارای خودهمبستگی بالا
• 84. مدیریت زنجیره‌هایی با Burn-in متفاوت
• 85. ترکیب زنجیره‌ها پس از حذف Burn-in
• 86. تأثیر Burn-in بر برآورد Monte Carlo
• 87. تحلیل هزینه محاسباتی Burn-in طولانی
• 88. موازنه هزینه Burn-in و کیفیت نمونه‌گیری
• 89. بهینه‌سازی تعداد Iteration برای کاهش هزینه
• 90. تعیین طول اجرای کافی پس از Burn-in
• 91. جلوگیری از تصمیم‌گیری دلخواه در حذف Burn-in
• 92. گزارش شفاف Burn-in در مطالعات بیزی
• 93. طراحی Pipeline استاندارد برای تشخیص و حذف Burn-in
• 94. مطالعه موردی تشخیص Burn-in در یک مدل بیزی
• 95. مطالعه موردی مقایسه چند Initialization
• 96. مطالعه موردی Burn-in در مدل چندپارامتری
• 97. ساخت چک‌لیست عملی تشخیص و حذف Burn-in