کتاب مدیریت سوگیری در نمونه‌گیری 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 مدیریت سوگیری در نمونه‌گیری MCMC با Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

  • 1. مبانی سوگیری در زنجیره‌های مارکوف
  • 2. مفهوم همگرایی و تأثیر آن بر دقت تخمین
  • 3. معرفی الگوریتم NUTS در Stan
  • 4. مکانیسم Hamiltonian Monte Carlo و چالش‌های هندسی
  • 5. شناسایی سوگیری ناشی از عدم همگرایی (Non-convergence)
  • 6. بررسی سوگیری در زنجیره‌های کوتاه (Short Chains)
  • 7. تاثیر Warm-up و Burn-in بر توزیع نمونه‌ها
  • 8. تحلیل سوگیری ناشی از وابستگی متغیرها (Autocorrelation)
  • 9. چالش‌های نمونه‌گیری در مدل‌های با ابعاد بالا
  • 10. بررسی پدیده Divergent Transitions در Stan
  • 11. علت‌های هندسی Divergence و تأثیر آن بر سوگیری نتایج
  • 12. استراتژی‌های رفع Divergence با تغییر پارامتر step_size
  • 13. نقش پارامتر adapt_delta در کنترل دقت نمونه‌گیری
  • 14. مدیریت سوگیری در مدل‌های سلسله‌مراتبی (Hierarchical Models)
  • 15. مشکل سنبله (Funnel Geometry) و سوگیری در مدل‌های بیزی
  • 16. استفاده از بازپارامتری‌سازی (Reparameterization) برای کاهش سوگیری
  • 17. تفاوت پارامتری‌سازی Centered و Non-centered
  • 18. بررسی سوگیری در تخمین‌های پارامترهای پنهان
  • 19. تحلیل اثر همبستگی میان پارامترها بر کارایی MCMC
  • 20. استفاده از R-hat برای تشخیص سوگیری بین زنجیره‌ها
  • 21. بررسی Effective Sample Size (ESS) و رابطه آن با سوگیری
  • 22. سوگیری ناشی از انتخاب نادرست توزیع پیشین (Priors)
  • 23. تأثیر Prior Informativeness بر نتایج نمونه‌گیری
  • 24. بررسی سوگیری در مدل‌های با داده‌های پراکنده (Sparse Data)
  • 25. شناسایی سوگیری در مدل‌های با مقیاس‌های متفاوت (Scaling Issues)
  • 26. روش‌های استانداردسازی متغیرها برای بهبود نمونه‌گیری
  • 27. استفاده از الگوریتم‌های پیشرفته برای شناسایی سوگیری‌های پنهان
  • 28. بررسی تفاوت نمونه‌گیری در Stan با سایر ابزارهای MCMC
  • 29. ارزیابی حساسیت مدل نسبت به تنظیمات نمونه‌گیری
  • 30. تکنیک‌های تشخیص سوگیری در توزیع‌های دنباله‌دار (Heavy-tailed)
  • 31. بهینه‌سازی تعداد زنجیره‌ها و طول نمونه‌گیری برای کاهش خطای استاندارد
تگ‌ها: Bayesian Modeling Bayesian Statistics Data Science Divergent Transitions Effective Sample Size Hamiltonian Monte Carlo Machine Learning MCMC NUTS Probabilistic Programming R-hat Reparameterization Stan Stan Programming Statistical Bias

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.