کتاب تجزیه و تحلیل حساسیت و عدم قطعیت با MCMC پیشرفته با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

249,950 تومان
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 تجزیه و تحلیل حساسیت و عدم قطعیت با MCMC پیشرفته

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

موضوع میانی: مفاهیم پیشرفته در MCMC

📋 سرفصل‌های دوره

  • 1. مبانی نظری آمار بیزی و چارچوب‌های عدم قطعیت پارامتری
  • 2. مفاهیم پایه روش‌های نمونه‌گیری زنجیره مارکوف مونت‌کارلو (MCMC)
  • 3. الگوریتم‌های پیشرفته نمونه‌گیری شامل Metropolis-Hastings و Gibbs Sampling
  • 4. نمونه‌گیری مونت‌کارلو هامیلتونی (HMC) و الگوریتم No-U-Turn Sampler (NUTS)
  • 5. مفاهیم کمی‌سازی عدم قطعیت (Uncertainty Quantification) در مدل‌سازی بیزی
  • 6. تفاوت تحلیل عدم قطعیت پارامتری و ساختاری در سیستم‌های پیچیده
  • 7. تعریف و مفاهیم تحلیل حساسیت محلی (Local Sensitivity Analysis)
  • 8. تعریف و مفاهیم تحلیل حساسیت سراسری (Global Sensitivity Analysis - GSA)
  • 9. روش‌های مبتنی بر واریانس و شاخص‌های سوبول (Sobol Indices)
  • 10. کمی‌سازی عدم قطعیت پیشین (Prior Uncertainty Quantification)
  • 11. تحلیل حساسیت نسبت به انتخاب توزیع‌های پیشین (Prior Sensitivity Analysis)
  • 12. ارزیابی پایداری توزیع پسین در برابر تغییرات پیشین‌های ضعیف و قوی
  • 13. روش‌های بررسی همگرایی زنجیره‌ها شامل معيار Gelman-Rubin و Effective Sample Size
  • 14. کاهش خودهمبستگی (Autocorrelation) و تکنیک‌های Thinning در MCMC
  • 15. استفاده از Surrogate Models و مدل‌های فراگیری مانند Gaussian Processes
  • 16. کاهش بار محاسباتی MCMC در تحلیل حساسیت مدل‌های پیچیده
  • 17. تحلیل عدم قطعیت در مدل‌های سلسله‌مراتبی بیزی (Hierarchical Bayesian Models)
  • 18. تحلیل عدم قطعیت در پیش‌بینی‌های بیزی (Posterior Predictive Checks)
  • 19. ارزیابی معیار انتخاب مدل WAIC و LOO-CV در حضور عدم قطعیت
  • 20. روش‌های MCMC چندمقیاسی و Adaptive MCMC برای فضای پارامتری ابعاد بالا
  • 21. تحلیل عدم قطعیت و حساسیت در مدل‌های دیفرانسیلی و دینامیکی
  • 22. پیاده‌سازی عملگرهای تحلیل حساسیت در نرم‌افزارهای Stan و PyMC
  • 23. تحلیل حساسیت و عدم قطعیت در سیستم‌های ابعاد بالا با الحاق الگوریتم NUTS
  • 24. تکنیک‌های تشخیصی واگرایی (Divergence Diagnostics) و انرژی در نمونه‌گیری HMC
  • 25. سنجش اعتبار مدل‌های بیزی و ارزیابی ریسک عدم قطعیت در تصمیم‌گیری
  • 26. پروژه پیاده‌سازی کامل تحلیل حساسیت و عدم قطعیت با MCMC روی داده‌های واقعی
تگ‌ها: Bayesian Analysis Global Sensitivity Analysis MCMC پیشرفته PyMC Stan Uncertainty Quantification آمار بیزی الگوریتم NUTS تحلیل حساسیت توزیع پسین شاخص‌های سوبول کمی‌سازی عدم قطعیت مدل‌سازی بیزی نمونه‌گیری HMC

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.