دوره بهینه‌سازی فرآیند MCMC با Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی فرآیند MCMC با Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر Stan و MCMC
• 2. نصب و راه‌اندازی Stan و محیط توسعه
• 3. ساختار یک مدل Stan
• 4. انواع داده‌ها در Stan
• 5. تعریف توابع احتمال در Stan
• 6. تعریف توزیع‌های پیشین در Stan
• 7. نوشتن مدل‌های ساده در Stan
• 8. اجرای مدل‌های Stan
• 9. بررسی خروجی Stan: نمودارها و آماره‌ها
• 10. تشخیص مشکلات رایج در اجرای Stan
• 11. مفهوم Divergences در Stan و راه‌حل‌ها
• 12. مفهوم Effective Sample Size (ESS) و R-hat
• 13. بهینه‌سازی پارامترهای نمونه‌گیری: Step Size
• 14. بهینه‌سازی پارامترهای نمونه‌گیری: Adapt Delta
• 15. استفاده از الگوریتم‌های نمونه‌گیری مختلف در Stan (NUTS, HMC)
• 16. مقایسه NUTS و HMC
• 17. تنظیم پارامتر Target Acceptance Rate
• 18. استفاده از Priorهای informative و non-informative
• 19. مدل‌سازی سلسله مراتبی با Stan
• 20. مدل‌سازی مدل‌های خطی تعمیم‌یافته (GLM) با Stan
• 21. مدل‌سازی مدل‌های غیرخطی با Stan
• 22. استفاده از Stan برای مدل‌سازی بقا
• 23. مدل‌سازی داده‌های از دست رفته (Missing Data) با Stan
• 24. بررسی و رفع مشکلات Convergence در Stan
• 25. استفاده از Warmup Iterations بهینه
• 26. تکنیک‌های افزایش سرعت نمونه‌گیری
• 27. استفاده از Stan با R
• 28. استفاده از Stan با Python
• 29. استفاده از Stan با Julia
• 30. دیباگینگ مدل‌های Stan
• 31. اعتبارسنجی مدل‌های Stan
• 32. مقایسه مدل‌ها با استفاده از WAIC و LOO-CV
• 33. استفاده از Stan برای تخمین پارامترهای مدل‌های پیچیده
• 34. مدل‌سازی Bayesian Nonparametric با Stan
• 35. استفاده از Stan برای تحلیل سری‌های زمانی
• 36. پیش‌بینی با استفاده از مدل‌های Stan
• 37. مقدمه‌ای بر Stan Diagnostics
• 38. بهینه‌سازی مدل با استفاده از Profiling
• 39. استفاده از Stan برای Bayesian Optimization