دوره مدیریت همگرایی در اجرای Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدیریت همگرایی در اجرای Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر همگرایی در MCMC و Stan
• 2. اهمیت ارزیابی همگرایی در تحلیل بیزی
• 3. معرفی معیارهای همگرایی در Stan
• 4. R-hat: مفهوم، تفسیر و آستانه‌ها
• 5. Effective Sample Size (ESS): محاسبه و اهمیت
• 6. Traceplotها: بررسی بصری همگرایی زنجیره‌ها
• 7. Autocorrelation: شناسایی و تاثیر آن بر همگرایی
• 8. روش‌های کاهش همبستگی خودکار در Stan
• 9. تنظیم طول زنجیره‌ها و Warmup
• 10. تاثیر اندازه نمونه بر همگرایی
• 11. پایش Divergences در Stan
• 12. علل Divergences و روش‌های رفع آن‌ها
• 13. استفاده از Priorهای مناسب برای بهبود همگرایی
• 14. اثر Priorهای Informative و Non-informative
• 15. مقایسه Priorهای مختلف و تاثیر آن‌ها بر نتایج
• 16. شناسایی و رفع مشکلات مربوط به Identifiability
• 17. مقیاس‌بندی متغیرها برای بهبود همگرایی
• 18. استفاده از Transformationهای پارامتری
• 19. روش‌های تنظیم نرخ یادگیری (Learning Rate) در Stan
• 20. استفاده از الگوریتم‌های نمونه‌گیری مختلف در Stan (NUTS, HMC)
• 21. تنظیم پارامترهای الگوریتم NUTS
• 22. مقایسه عملکرد NUTS و HMC
• 23. استفاده از Stan Diagnostics برای ارزیابی همگرایی
• 24. تفسیر خروجی Stan Diagnostics
• 25. ارزیابی همگرایی در مدل‌های پیچیده
• 26. همگرایی در مدل‌های سلسله مراتبی (Hierarchical Models)
• 27. همگرایی در مدل‌های با پارامترهای زیاد
• 28. استفاده از روش‌های موازی‌سازی برای تسریع همگرایی
• 29. تشخیص و رفع مشکلات مربوط به Memory Usage
• 30. بهینه‌سازی کد Stan برای بهبود عملکرد
• 31. استفاده از Stan در R و Python
• 32. بررسی همگرایی با استفاده از توابع RStan و PyStan
• 33. آشنایی با ابزارهای بصری‌سازی پیشرفته برای ارزیابی همگرایی
• 34. روش‌های robust همگرایی در حضور داده‌های پرت
• 35. همگرایی و اعتبارسنجی مدل
• 36. ارزیابی حساسیت نتایج به تغییرات در تنظیمات Stan
• 37. استفاده از Cross-validation برای ارزیابی همگرایی و پیش‌بینی