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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدیریت سوگیری در اجرای Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سوگیری در استنباط بیزی
• 2. سوگیری ناشی از مدل نادرست: شناسایی و کاهش
• 3. سوگیری ناشی از داده‌های مفقود: استراتژی‌های مقابله
• 4. سوگیری ناشی از مقادیر پرت: تشخیص و مدیریت
• 5. اهمیت بررسی همگرایی در Stan
• 6. آشنایی با معیارهای همگرایی R-hat
• 7. تفسیر و رفع خطاهای همگرایی در Stan
• 8. تاثیر مقدار اولیه پارامترها بر نتایج MCMC
• 9. روش‌های انتخاب مقادیر اولیه مناسب در Stan
• 10. تنظیم پارامترهای نمونه‌گیری Stan: stepsize و adapt_delta
• 11. بهینه‌سازی تعداد تکرارها و warm-up در Stan
• 12. تاثیر زنجیره‌های متعدد بر پایداری نتایج
• 13. ارزیابی بصری خروجی Stan: نمودارهای traceplot و autocorrelation
• 14. تشخیص و رفع مشکلات مربوط به خودهمبستگی
• 15. استفاده از priorهای informative و uninformative
• 16. انتخاب prior مناسب برای کاهش سوگیری
• 17. روش‌های حساسیت نسبت به prior
• 18. سوگیری در مدل‌های سلسله مراتبی و راهکارهای آن
• 19. مدیریت سوگیری در مدل‌های پیچیده با Stan
• 20. استفاده از توابع transform برای بهبود نمونه‌گیری
• 21. تکنیک‌های regularization در Stan
• 22. مقایسه روش‌های مختلف نمونه‌گیری در Stan (NUTS, HMC)
• 23. شناسایی و رفع مشکلات مربوط به فضای پارامتر
• 24. استفاده از توابع posterior predictive checks برای ارزیابی مدل
• 25. بررسی تناسب مدل با داده‌ها
• 26. تفسیر نتایج Stan و گزارش‌دهی صحیح
• 27. استفاده از Stan برای مدل‌سازی داده‌های censored
• 28. مدیریت سوگیری در مدل‌های بقا با Stan
• 29. استفاده از Stan برای مدل‌سازی داده‌های count
• 30. مدل‌سازی داده‌های hierarchical با Stan و کاهش سوگیری
• 31. روش‌های مقابله با multimodal posterior distributions
• 32. استفاده از Stan برای Bayesian time series analysis
• 33. اثرات سوگیری بر روی پیش‌بینی‌ها
• 34. ارزیابی عدم قطعیت در پیش‌بینی‌ها با Stan
• 35. نقش دانش دامنه در کاهش سوگیری
• 36. استفاده از Stan با زبان‌های برنامه‌نویسی دیگر (R, Python)