فلش‌کارت‌های آموزشی رفع اشکال و بهبود عملکرد Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره رفع اشکال و بهبود عملکرد Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مبانی عیب‌یابی مدل‌های بیزی در Stan
• 2. شناخت ساختار مدل و جریان اجرای Stan
• 3. تشخیص خطاهای نحوی در کد Stan
• 4. رفع خطاهای تعریف متغیر و پارامتر
• 5. رفع خطاهای نوع داده و تبدیل متغیرها
• 6. تشخیص خطاهای ابعادی و ناسازگاری بردارها
• 7. رفع خطاهای ماتریسی و عملیات خطی
• 8. مدیریت خطاهای مقداردهی اولیه
• 9. شناخت پیام‌های خطای کامپایل و تفسیر آن‌ها
• 10. عیب‌یابی خطاهای زمان اجرا
• 11. تشخیص NaN و Inf در محاسبات Stan
• 12. شناسایی محاسبات عددی ناپایدار
• 13. رفع مشکلات Overflow و Underflow
• 14. بررسی دامنه پارامترها و محدودیت‌های آن‌ها
• 15. استفاده صحیح از پارامترهای constrained و unconstrained
• 16. تشخیص مشکلات Jacobian و تبدیل پارامترها
• 17. تحلیل Divergent Transitions
• 18. رفع مشکل Divergence با بازپارامتری‌سازی
• 19. تنظیم پارامتر adapt_delta
• 20. تشخیص مشکلات Tree Depth
• 21. تنظیم max_treedepth برای نمونه‌گیری
• 22. تشخیص مشکلات انرژی و E-BFMI
• 23. تحلیل هشدارهای مربوط به انرژی در HMC
• 24. تشخیص Sampling درختی ناکارآمد
• 25. بررسی عدم همگرایی زنجیره‌ها
• 26. تحلیل R-hat و نشانه‌های همگرایی
• 27. تحلیل Effective Sample Size
• 28. بررسی Autocorrelation نمونه‌ها
• 29. تشخیص Mixing ضعیف زنجیره‌ها
• 30. مقایسه رفتار زنجیره‌های متعدد
• 31. تحلیل Trace Plot برای عیب‌یابی
• 32. تحلیل Posterior Plot برای تشخیص مشکلات
• 33. استفاده از Pair Plot برای شناسایی Funnel
• 34. تشخیص Posteriorهای چندوجهی
• 35. تشخیص شناسایی‌ناپذیری پارامترها
• 36. رفع مشکلات Identifiability در مدل‌های Stan
• 37. تشخیص Posteriorهای بسیار باریک
• 38. مقابله با Geometry نامناسب در فضای پارامترها
• 39. شناخت Funnelهای Neal و راهکارهای اصلاح آن
• 40. مقایسه پارامتری‌سازی مرکزگرا و غیرمرکزگرا
• 41. انتخاب پارامتری‌سازی مناسب برای مدل سلسله‌مراتبی
• 42. بازپارامتری‌سازی برای بهبود هندسه Posterior
• 43. استفاده از مقیاس‌بندی مناسب داده‌ها و پارامترها
• 44. استانداردسازی و Centering متغیرهای پیش‌بین
• 45. بهبود مقیاس پارامترهای مدل
• 46. کاهش پیچیدگی محاسباتی مدل
• 47. شناسایی بخش‌های کند مدل Stan
• 48. تحلیل زمان اجرای مدل
• 49. اندازه‌گیری زمان Sampling و Warmup
• 50. بهینه‌سازی کدهای محاسباتی در Stan
• 51. کاهش محاسبات تکراری در مدل
• 52. استفاده مؤثر از transformed parameters
• 53. بهینه‌سازی بلوک generated quantities
• 54. بهبود کارایی محاسبات احتمال لگاریتمی
• 55. استفاده از توابع برداری و Vectorization
• 56. کاهش حلقه‌های غیرضروری در Stan
• 57. بهینه‌سازی عملیات ماتریسی
• 58. استفاده کارآمد از Linear Algebra
• 59. بهینه‌سازی محاسبات توزیع‌های احتمالی
• 60. انتخاب توزیع‌های مناسب برای پایداری عددی
• 61. استفاده صحیح از log probability و توابع لگاریتمی
• 62. بهینه‌سازی محاسبات با sufficient statistics
• 63. مدیریت حافظه در مدل‌های بزرگ Stan
• 64. کاهش مصرف حافظه هنگام نمونه‌گیری
• 65. بهینه‌سازی مدل‌های دارای داده‌های حجیم
• 66. استفاده از Parallelization در Stan
• 67. پردازش موازی با reduce_sum
• 68. انتخاب مناسب grain size در reduce_sum
• 69. تشخیص سربار Parallelization
• 70. بهینه‌سازی چندزنجیره‌ای و اجرای موازی
• 71. مدیریت Warmup برای عملکرد بهتر
• 72. درک نقش Step Size در HMC
• 73. تنظیم و تحلیل Metric در HMC
• 74. انتخاب Initialization مناسب
• 75. استفاده از مقداردهی اولیه سفارشی
• 76. تحلیل تأثیر تعداد Iterationها بر عملکرد
• 77. تنظیم Warmup و Sampling Iterations
• 78. انتخاب تعداد زنجیره‌های مناسب
• 79. تشخیص Sampling ناکافی
• 80. افزایش Effective Sample Size با تنظیم مدل
• 81. مقایسه زمان اجرا و کیفیت نمونه‌ها
• 82. بهینه‌سازی مدل‌های سلسله‌مراتبی
• 83. بهینه‌سازی مدل‌های دارای ماتریس کوواریانس
• 84. رفع مشکلات Cholesky Factorization
• 85. مدیریت ماتریس‌های مثبت معین
• 86. بهینه‌سازی مدل‌های Gaussian Process در Stan
• 87. عیب‌یابی مدل‌های زمان‌مند و سری زمانی
• 88. رفع مشکلات مدل‌های با پارامترهای زیاد
• 89. مدیریت مدل‌های Bayesian پیچیده و بزرگ
• 90. بهینه‌سازی مدل‌های مخلوط و Mixture
• 91. تشخیص Label Switching در مدل‌های Mixture
• 92. عیب‌یابی مدل‌های Zero-Inflated و Hurdle
• 93. تحلیل مشکلات مدل‌های شمارشی
• 94. رفع مشکلات مدل‌های رگرسیون بیزی
• 95. اعتبارسنجی مدل پس از رفع خطا
• 96. مقایسه مدل پیش از و پس از بهینه‌سازی
• 97. تأیید صحت نتایج پس از تغییر پارامتری‌سازی
• 98. جلوگیری از بهینه‌سازی‌هایی که اعتبار مدل را مخدوش می‌کنند
• 99. ساخت روند سیستماتیک برای عیب‌یابی Stan
• 100. طراحی چک‌لیست تشخیص مشکلات Sampling