دوره greta: بهینه‌سازی و انعطاف‌پذیری در MCMC همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره greta: بهینه‌سازی و انعطاف‌پذیری در MCMC

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

موضوع میانی: greta

📋 سرفصل‌های دوره

• 1. معرفی بسته greta و فلسفه طراحی آن
• 2. نصب و راه‌اندازی greta در R
• 3. ساخت مدل‌های بیزی ساده با greta
• 4. تعریف توزیع‌های پیشین در greta
• 5. تعریف توزیع‌های درست‌نمایی در greta
• 6. استفاده از توابع توزیع استاندارد در greta
• 7. مدل‌سازی روابط بین متغیرها در greta
• 8. شبیه‌سازی از مدل‌های greta
• 9. آشنایی با مفهوم لگاریتم حاشیه راست‌نمایی (log likelihood)
• 10. بهینه‌سازی مدل‌های greta با استفاده از روش‌های گرادیانی
• 11. استفاده از الگوریتم‌های بهینه‌سازی مختلف در greta
• 12. ارزیابی عملکرد مدل‌های بهینه‌سازی شده
• 13. مقدمه‌ای بر روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC)
• 14. آشنایی با الگوریتم Metropolis-Hastings در greta
• 15. پیاده‌سازی الگوریتم Metropolis-Hastings با greta
• 16. آشنایی با الگوریتم Hamiltonian Monte Carlo (HMC)
• 17. پیاده‌سازی HMC با greta
• 18. تنظیم پارامترهای HMC برای بهبود کارایی
• 19. تشخیص همگرایی زنجیره‌های MCMC در greta
• 20. استفاده از معیارهای مختلف همگرایی (R-hat, effective sample size)
• 21. مدل‌سازی سلسله مراتبی با greta
• 22. مدل‌سازی مدل‌های خطی تعمیم‌یافته (GLM) با greta
• 23. مدل‌سازی مدل‌های مخلوط گاوسی (Gaussian Mixture Models) با greta
• 24. مدل‌سازی مدل‌های پنهان مارکوف (Hidden Markov Models) با greta
• 25. مدل‌سازی داده‌های از دست رفته (Missing Data) با greta
• 26. استفاده از priorهای تطبیقی (adaptive priors) در greta
• 27. مقایسه مدل‌ها با استفاده از فاکتور Bayes در greta
• 28. نوشتن توابع توزیع سفارشی در greta
• 29. استفاده از greta برای تحلیل سری‌های زمانی
• 30. تحلیل حساسیت مدل در greta
• 31. ادغام greta با بسته‌های دیگر R
• 32. بهینه‌سازی مدل‌های پیچیده با استفاده از روش‌های موازی
• 33. استفاده از greta در کاربردهای واقعی (مطالعه موردی)
• 34. عیب‌یابی و رفع مشکلات رایج در greta