اکسپرس 24
کتاب بهینه‌سازی فرآیند MCMC با Stan با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

کتاب بهینه‌سازی فرآیند MCMC با Stan 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 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 آمار بیزی، نمونه‌گیری MCMC و آشنایی با پلتفرم Stan
  • 2. نصب و راه‌اندازی محیط‌های RStan و PyStan برای اجرای مدل‌های Stan
  • 3. ساختار کلی فایل‌های Stan و بخش‌های مختلف کدنویسی (Data, Parameters, Model)
  • 4. آشنایی با الگوریتم‌های نمونه‌گیری HMC (Hamiltonian Monte Carlo) و NUTS در Stan
  • 5. بررسی خطاهای رایج در نمونه‌گیری و مفهوم واگرایی‌ها (Divergent Transitions)
  • 6. تنظیمات پارامتر adapt_delta برای کنترل و کاهش خطاهای واگرایی در Stan
  • 7. مدیریت اندازه گام (Step Size) و تاثیر آن بر همگرایی و کارایی نمونه‌بردار
  • 8. شناسایی خطاهای انرژی (E-BFMI) و راه‌های رفع مشکلات هندسی فضای پارامتر
  • 9. بررسی کمبود درخت‌های NUTS (Max TreeDepth) و راه‌حل‌های بهینه‌سازی آن
  • 10. تحلیل مشکل هم خطی و همبستگی شدید بین پارامترها در مدل‌های بیزی
  • 11. پارامترسازی مجدد (Reparameterization) برای اصلاح هندسه توزیع‌های خلفی دشوار
  • 12. استفاده از توزیع‌های پیشین غیرمستقیم (Non-centered Parameterization) در مدل‌های هرمی
  • 13. بررسی همگرایی زنجیره‌ها با شاخص R-hat و شناسایی زنجیرهای متوقف‌نشده
  • 14. تحلیل حجم نمونه موثر (Effective Sample Size - ESS) و راه‌های افزایش آن
  • 15. مدیریت حافظه و بهینه‌سازی سرعت محاسبات در مدل‌های بزرگ و پیچیده
  • 16. استفاده از بهینه‌سازی پیش‌نمونه‌گیری (Optimization / Variational Inference) قبل از MCMC
  • 17. مواجهه با مقادیر گمشده و داده‌های سانسورشده در مدل‌های Stan
  • 18. بررسی خطاهای عددی ناشی از سرریز (Overflow) و زیرریز (Underflow) در توابع احتمال
  • 19. بهینه‌سازی توابع چگالی احتمال لج-پویش (Log-Probability) در بلوک Model
  • 20. استفاده از کدهای موازی و اجرای زنجیرها روی چند هسته پردازشی
  • 21. تحلیل پسینی (Posterior Predictive Checks) برای ارزیابی اعتبار مدل بهینه‌شده
  • 22. مستندسازی نتایج و رفع اشکال پیشرفته (Debugging) کدهای ناکارآمد Stan
  • 23. پروژه عملی اول: عیب‌یابی، رفع واگرایی‌ها و بهینه‌سازی یک مدل هرمی پیچیده
  • 24. پروژه عملی دوم: بهینه‌سازی نهایی، تنظیم پارامترها و افزایش کارایی نمونه‌برداری در یک پروژه واقعی
تگ‌ها: Bayesian Statistics Data Science Divergent Transitions Effective Sample Size Hamiltonian Monte Carlo Markov Chain Monte Carlo MCMC Model Optimization NUTS Posterior Inference PyStan Reparameterization RStan Stan Statistics

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.