کتاب استفاده از Stan for Advanced Data Analysis 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 for Advanced Data Analysis

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

  • 1. مبانی تحلیل داده‌های پیشرفته با استفاده از زبان برنامه‌نویسی Stan
  • 2. مروری بر نظریه آمار بیزی و جایگاه نمونه‌گیری MCMC در تحلیل‌های پیچیده
  • 3. ساختار پیشرفته کدهای Stan و بهینه‌سازی بلوک‌های داده و پارامترها
  • 4. اصول ریاضی و هندسی نمونه‌گیری هامیلتونی مونت‌کارلو (HMC) و NUTS
  • 5. پیکربندی حرفه‌ای هایپرپامترهای نمونه‌گیری و تنظیمات گام‌های الگوریتم
  • 6. مدیریت و تحلیل تخصصی واگرایی‌ها (Divergent Transitions) در زنجیره‌های مارکوف
  • 7. شناسایی و رفع خطاهای انرژی گم‌شده (E-BFMI) در نمونه‌گیر HMC
  • 8. بررسی مشکلات هندسی فضای پارامتری و غلبه بر تنگناهای نمونه‌گیری
  • 9. استفاده از پارامترهای غیرمتمرکز (Non-centered Parameterization) برای رفع هم‌خطی شدید
  • 10. مدل‌سازی سلسله‌مراتب چندسطحی پیچیده با ماتریس‌های تنک در Stan
  • 11. توسعه توابع چگالی احتمال سفارشی در بلوک functions برای تحلیل‌های خاص
  • 12. پیاده‌سازی مدل‌های ترکیبی (Mixture Models) و مدل‌های پنهان مارکوف پیشرفته
  • 13. مدل‌سازی سری‌های زمانی غیرخطی و تحلیل‌های پویا با Stan
  • 14. رگرسیون‌های پیشرفته و مدل‌های خطی و غیرخطیgeneralized در مقیاس بزرگ
  • 15. مدل‌سازی فضایی و فضایی-زمانی با توزیع‌های گوسی پیشرفته در Stan
  • 16. حاشیه‌سازی متغیرهای گسسته و مدیریت پارامترهای گمشده در مدل
  • 17. ارزیابی تشخیصی همگرایی زنجیره‌ها با شاخص‌های R-hat و Effective Sample Size
  • 18. اعتبارسنجی پیشرفته مدل با استفاده از بررسی‌های پیش‌بینی پسین (PPC)
  • 19. محاسبه و مقایسه مدل‌ها با معیارهای LOO-CV و WAIC در تحلیل‌های پیشرفته
  • 20. بهینه‌سازی محاسباتی و کاهش زمان اجرا در مدل‌های حجیم و سنگین
  • 21. استفاده از حالت بهینه‌سازی (Optimization) و الگوریتم‌های L-BFGS در تحلیل داده‌ها
  • 22. یکپارچه‌سازی و خودکارسازی اجرای مدل‌های Stan در پایتون و R
  • 23. مدل‌سازی داده‌های بقا و تحلیل‌های خطرات متناسب در آمار پیشرفته
  • 24. رفع اشکال و عیب‌یابی خطاهای رایج زمان اجرا در کدهای Stan
  • 25. توسعه و استقرار مدل‌های پیشرفته بیزی در خطوط تولید داده و پروژه‌های واقعی
تگ‌ها: Advanced Data Analysis Bayesian Inference Bayesian Statistics Data Science Divergent Transitions Hamiltonian Monte Carlo Hierarchical Modeling MCMC Model Diagnostics NUTS Algorithm Posterior Predictive Check PyStan RStan Stan Statistical Modeling

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.