فلش‌کارت‌های آموزشی روش‌های اعتبارسنجی و مقایسه مدل در PyMC

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره روش‌های اعتبارسنجی و مقایسه مدل در PyMC

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

موضوع میانی: PyMC3 / PyMC

📋 سرفصل‌های دوره

• 1. اهمیت اعتبارسنجی مدل در استنباط بیزی
• 2. تفاوت ارزیابی برازش و قابلیت تعمیم مدل
• 3. مفهوم Posterior Predictive Check و فلسفه آن
• 4. پیاده‌سازی PPC ساده در PyMC
• 5. ترسیم توزیع پیش‌بینی پسین در برابر داده‌های مشاهده‌شده
• 6. آماره‌های آزمون برای بررسی سیستماتیک PPC
• 7. تشخیص عدم برازش با استفاده از PPC
• 8. بررسی باقیمانده‌های بیزی در PyMC
• 9. اعتبارسنجی همگرایی زنجیره‌ها قبل از مقایسه مدل
• 10. شاخص R-hat و مؤثر بودن نمونه‌ها
• 11. تشخیص واگرایی‌ها و تأثیر آن بر اعتبار مدل
• 12. مفهوم اطلاعات متقابل مورد انتظار و پیچیدگی مدل
• 13. معیار WAIC و مبانی نظری آن
• 14. محاسبه WAIC با arviz در اکوسیستم PyMC
• 15. تفسیر مقادیر WAIC و اختلاف آن بین مدل‌ها
• 16. معیار LOO و تقریب Leave-One-Out
• 17. پیاده‌سازی LOO با روش PSIS در arviz
• 18. تشخیص نقاط مؤثر بالا در LOO و هشدارها
• 19. مقایسه WAIC و LOO از نظر پایداری عددی
• 20. رتبه‌بندی مدل‌ها با استفاده از compare در arviz
• 21. وزن‌دهی مدل‌ها بر اساس عملکرد پیش‌بینی
• 22. Stacking مدل‌ها به‌جای انتخاب یک مدل
• 23. مفهوم Bayes Factor و محدودیت‌های عملی آن
• 24. محاسبه تقریبی شواهد مدل با روش‌های موجود
• 25. حساسیت Bayes Factor به انتخاب پیشین
• 26. مقایسه مدل‌های تودرتو و غیرتودرتو
• 27. آزمون فرض بیزی در چارچوب PyMC
• 28. استفاده از posterior predictive برای مقایسه مدل‌ها
• 29. معیارهای مبتنی بر تابع زیان برای انتخاب مدل
• 30. ارزیابی کالیبراسیون پیش‌بینی‌های مدل
• 31. نمودار Calibration و تفسیر آن
• 32. اعتبارسنجی متقابل بیزی و چالش‌های محاسباتی
• 33. تقریب‌های سریع اعتبارسنجی متقابل در داده‌های بزرگ
• 34. بررسی تأثیر پیشین‌ها بر نتیجه مقایسه مدل
• 35. تحلیل حساسیت پیشین با مقایسه مدل‌های جایگزین
• 36. مدل‌های سلسله‌مراتبی و ملاحظات خاص مقایسه
• 37. تشخیص بیش‌برازش در مدل‌های پیچیده بیزی
• 38. استفاده از Information Criteria برای انتخاب پیچیدگی
• 39. ترسیم و تفسیر نمودارهای مقایسه مدل در arviz
• 40. گزارش‌دهی نتایج مقایسه مدل به‌صورت علمی
• 41. ترکیب نتایج چند معیار برای تصمیم نهایی
• 42. مدیریت مدل‌های با تعداد پارامتر مؤثر متفاوت
• 43. مقایسه مدل‌های با likelihoodهای متفاوت
• 44. اعتبارسنجی مدل‌های سری زمانی در PyMC
• 45. اعتبارسنجی مدل‌های فضایی و همبستگی‌دار
• 46. تشخیص و مدیریت نقاط پرت در فرآیند اعتبارسنجی
• 47. بازآزمایی مدل پس از اصلاح بر اساس PPC
• 48. پیاده‌سازی خط لوله خودکار اعتبارسنجی و مقایسه
• 49. ذخیره و بازیابی نتایج InferenceData برای مقایسه بعدی
• 50. مطالعه موردی مقایسه مدل‌های رگرسیون خطی و غیرخطی
• 51. مطالعه موردی انتخاب مدل در داده‌های سلسله‌مراتبی
• 52. بهترین شیوه‌های مستندسازی فرآیند اعتبارسنجی مدل
• 53. اشتباهات رایج در تفسیر WAIC و LOO
• 54. تصمیم‌گیری عملی بین مدل‌های نزدیک از نظر معیارها