کتاب بهینه‌سازی اجرای MCMC در 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 اجرای MCMC در Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر روش‌های نمونه‌برداری مونت‌کارلو مارکوف چین
  • 2. مفاهیم پایه آمار بیزی
  • 3. مدل‌های احتمالاتی و توابع توزیع
  • 4. مقدمه‌ای بر زبان برنامه‌نویسی Stan
  • 5. ساختار یک مدل Stan
  • 6. انواع داده در Stan
  • 7. توابع ریاضی و آماری در Stan
  • 8. پارامترها و متغیرهای پنهان در Stan
  • 9. تابع لگاریتم احتمال (Log Probability) در Stan
  • 10. نمونه‌برداری با الگوریتم‌های MCMC
  • 11. الگوریتم Metropolis-Hastings
  • 12. الگوریتم Hamiltonian Monte Carlo (HMC)
  • 13. تنظیم پارامترهای HMC
  • 14. تشخیص همگرایی زنجیره‌های MCMC
  • 15. آزمون‌های همگرایی (R-hat, Effective Sample Size)
  • 16. تحلیل حساسیت مدل به پارامترهای اولیه
  • 17. تفسیر نتایج MCMC
  • 18. استفاده از priors در مدل‌سازی بیزی
  • 19. انتخاب prior مناسب
  • 20. تأثیر prior بر نتایج
  • 21. مدل‌های سلسله مراتبی در Stan
  • 22. مدل‌های خطی تعمیم‌یافته (GLM) در Stan
  • 23. مدل‌های رگرسیون لجستیک در Stan
  • 24. مدل‌های بقا در Stan
  • 25. مدل‌های مخلوط (Mixture Models) در Stan
  • 26. مدل‌سازی داده‌های گسسته در Stan
  • 27. مدل‌سازی داده‌های زمان سری در Stan
  • 28. مدل‌های پویای خطی در Stan
  • 29. استفاده از Stan با R
  • 30. استفاده از Stan با Python
  • 31. عیب‌یابی مشکلات رایج در Stan
  • 32. بهینه‌سازی سرعت اجرای مدل‌های Stan
  • 33. روش‌های موازی‌سازی در Stan
  • 34. مقایسه Stan با سایر نرم‌افزارهای MCMC
  • 35. استفاده از Stan برای مدل‌سازی پیچیده
  • 36. مدل‌سازی با داده‌های از دست رفته
  • 37. مدل‌سازی با متغیرهای توضیحی چندگانه
  • 38. مدل‌سازی با ساختارهای داده‌ای پیچیده
  • 39. اعتبارسنجی مدل‌های Stan
  • 40. آزمون‌های پسین (Posterior Predictive Checks)
  • 41. تحلیل عدم قطعیت در مدل‌های Stan
  • 42. پیش‌بینی با استفاده از مدل‌های Stan
  • 43. کاربردهای Stan در علوم زیستی
  • 44. کاربردهای Stan در علوم اجتماعی
  • 45. کاربردهای Stan در مهندسی
  • 46. تکنیک‌های پیشرفته در Stan
  • 47. مدل‌سازی غیرپارامتری با Stan
  • 48. استفاده از Stan برای یادگیری ماشین
  • 49. بهینه‌سازی مدل با استفاده از gradient-based methods
  • 50. مدل‌سازی بیزی سلسله مراتبی پیشرفته
  • 51. تحلیل واریانس بیزی با Stan
  • 52. تفسیر و ارائه نتایج مدل‌سازی بیزی
  • 53. نوشتن کدهای Stan قابل فهم و نگهداری
  • 54. استفاده از Stan برای تحلیل داده‌های بزرگ
  • 55. مقایسه مدل‌های مختلف با استفاده از Stan
  • 56. انتخاب مدل مناسب با استفاده از معیارهای اطلاعاتی (DIC, WAIC)
  • 57. تکنیک‌های کاهش خطا در مدل‌سازی Stan
  • 58. مدل‌سازی بیزی در حضور مقادیر پرت
  • 59. استفاده از Stan برای شبیه‌سازی مدل‌ها
  • 60. درک عمیق‌تر الگوریتم‌های MCMC در Stan
  • 61. تأثیر انتخاب الگوریتم MCMC بر نتایج
  • 62. مدل‌سازی بیزی با استفاده از داده‌های محدود
  • 63. استفاده از Stan برای تحلیل داده‌های فضایی
  • 64. مدل‌سازی بیزی با استفاده از داده‌های چندمتغیره
  • 65. تحلیل حساسیت مدل به مفروضات
  • 66. نوشتن مدل‌های Stan با کارایی بالا
  • 67. بهینه‌سازی کدهای Stan برای اجرا بر روی سخت‌افزارهای مختلف
  • 68. استفاده از Stan برای تحلیل داده‌های پوششی
  • 69. مدل‌سازی بیزی در مسائل تصمیم‌گیری
  • 70. کاربردهای Stan در تحلیل ریسک
  • 71. تکنیک‌های پیشرفته در تشخیص و رفع مشکلات همگرایی
  • 72. استفاده از Stan برای تحلیل داده‌های ناهمگن
  • 73. مدل‌سازی بیزی با استفاده از داده‌های تایید نشده
  • 74. تفسیر نتایج مدل‌سازی بیزی برای مخاطبان غیرمتخصص
  • 75. توسعه ابزارهای کمکی برای مدل‌سازی با Stan
  • 76. بهینه‌سازی فرآیند مدل‌سازی بیزی با Stan
  • 77. نوشتن گزارش‌های مدل‌سازی بیزی با استفاده از Stan
  • 78. مدل‌سازی بیزی در حضور داده‌های سانسور شده
  • 79. استفاده از Stan برای تحلیل داده‌های پانل
  • 80. مدل‌سازی بیزی با استفاده از داده‌های شبکه
  • 81. تکنیک‌های پیشرفته در تحلیل حساسیت مدل
  • 82. استفاده از Stan برای تحلیل داده‌های تصویربرداری
  • 83. مدل‌سازی بیزی در حوزه مالی
  • 84. کاربردهای Stan در پیش‌بینی آب‌وهوا
  • 85. تحلیل واریانس بیزی در حضور داده‌های نامتوازن
  • 86. تفسیر نتایج مدل‌سازی بیزی در حوزه سلامت
  • 87. استفاده از Stan برای تحلیل داده‌های ژنتیکی
  • 88. مدل‌سازی بیزی در حوزه مهندسی برق
  • 89. تکنیک‌های پیشرفته در مدیریت داده‌ها برای مدل‌سازی با Stan
  • 90. استفاده از Stan برای تحلیل داده‌های زمین‌شناسی
  • 91. مدل‌سازی بیزی در حوزه علوم محیطی
  • 92. کاربردهای Stan در تحلیل داده‌های کشاورزی
  • 93. تحلیل واریانس بیزی در حضور داده‌های چندسطحی
  • 94. تفسیر نتایج مدل‌سازی بیزی در حوزه مدیریت
  • 95. استفاده از Stan برای تحلیل داده‌های بازاریابی
  • 96. مدل‌سازی بیزی در حوزه علوم کامپیوتر
  • 97. تکنیک‌های پیشرفته در اعتبارسنجی مدل‌های Stan
  • 98. استفاده از Stan برای تحلیل داده‌های حقوقی
  • 99. مدل‌سازی بیزی در حوزه علوم سیاسی
  • 100. کاربردهای Stan در تحلیل داده‌های آموزشی
تگ‌ها: MCMC Stan آمار آمار بیزی احتمالات بهینه‌سازی MCMC تحلیل داده روش‌های مونت‌کارلو مدل‌سازی آماری یادگیری ماشین

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.