کتاب استفاده از Stan برای تحلیل‌های پیشرفته با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از Stan برای تحلیل‌های پیشرفته

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر استنباط بیزی پیشرفته و ضرورت استفاده از زبان برنامه‌نویسی Stan
  • 2. نصب و راه‌اندازی محیط Stan در زبان‌های R و Python (CmdStan و RStan)
  • 3. ساختار کلی فایل‌های برنامه‌نویسی Stan (بخش‌های data، parameters، model و غیره)
  • 4. تعریف توابع توزیع پیشین (Priors) و پسین (Posteriors) در مدل‌های بیزی
  • 5. اصول نمونه‌گیری الگوریتم‌های همیلتونی مونت‌کارلو (HMC) و نمونه‌گیر گیبس نوکم (NUTS)
  • 6. تنظیمات پیشرفته و پارامترهای کنترلی الگوریتم نمونه‌گیری در Stan
  • 7. بررسی واگرایی‌های هامیلتونین (Divergent Transitions) و راه‌های رفع آن‌ها
  • 8. مدیریت خطاهای مربوط به خطاهای درخت حداکثر عمق (Max Treedepth) در Stan
  • 9. بررسی انرژی برآورد شده و اعتبارسنجی کیفیت نمونه‌برداری با نمودارهای E-BFMI
  • 10. تشخیص مشکلات همگرایی زنجیره‌ها با شاخص R-hat و اندازه نمونه موثر (ESS)
  • 11. مدل‌سازی سلسله‌مراتبی (Hierarchical Models) و اثرات تصادفی در Stan
  • 12. مدل‌های رگرسیون خطی و غیرخطی پیشرفته در بستر آمار بیزی با Stan
  • 13. مدل‌سازی سری‌های زمانی و تحلیل‌های فضا-زمان با استفاده از توابع Stan
  • 14. مدل‌های ترکیبی (Mixture Models) و خوشه‌بندی پنهان در ساختار بیزی
  • 15. مدل‌های متغیر پنهان و متغیرهای مفقود (Missing Data) در تحلیل‌های Stan
  • 16. بهینه‌سازی کدهای Stan برای افزایش سرعت محاسبات و کاهش زمان نمونه‌گیری
  • 17. استفاده از بهینه‌سازی نقطه‌ای (Optimization) و الگوریتم‌های Variational Inference در Stan
  • 18. استفاده از توابع تعریف‌شده توسط کاربر (User-Defined Functions) در بلوک functions
  • 19. بررسی کدهای برداری‌سازی‌شده (Vectorization) برای بهینه‌سازی عملکرد مدل
  • 20. تحلیل پس از نمونه‌گیری (Post-processing) و استخراج نتایج با پکیج‌های ArviZ و bayesplot
  • 21. اعتبارسنجی پیشین و پسین (Prior and Posterior Predictive Checks) در ارزیابی مدل
  • 22. پروژه جامع: پیاده‌سازی، عیب‌یابی و تحلیل پیشرفته یک مدل آماری پیچیده در محیط Stan
تگ‌ها: Bayesian Statistics CmdStan Data Analysis Hamiltonian Monte Carlo Machine Learning MCMC NUTS Posterior Predictive Checks Python R RStan Stan Statistical Modeling آمار بیزی مدل‌سازی سلسله‌مراتبی

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.