فلش‌کارت‌های آموزشی بهینه‌سازی استفاده از NUTS در پروژه‌های تحقیقاتی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی استفاده از NUTS در پروژه‌های تحقیقاتی

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

موضوع میانی: No-U-Turn Sampler (NUTS)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر روش‌های نمونه‌گیری مونت‌کارلو مارکوف
• 2. آمار بیزی: یک مرور سریع
• 3. مفاهیم کلیدی در NUTS
• 4. مزایای NUTS نسبت به سایر الگوریتم‌های MCMC
• 5. بررسی دقیق الگوریتم NUTS: گام به گام
• 6. پارامترهای کلیدی NUTS و تاثیر آن‌ها
• 7. پیش‌بینی نرخ پذیرش در NUTS
• 8. تشخیص و رفع مشکلات همگرایی در NUTS
• 9. تنظیم پارامترهای گام (step size) در NUTS
• 10. بررسی اثر تابع هدف بر کارایی NUTS
• 11. استفاده از NUTS در مدل‌های سلسله مراتبی (Hierarchical Models)
• 12. NUTS و مدل‌های با ابعاد بزرگ
• 13. استفاده از NUTS در مدل‌های با داده‌های از دست رفته
• 14. NUTS و مدل‌های غیر خطی
• 15. ارزیابی عملکرد NUTS: معیارهای تشخیصی
• 16. مقایسه NUTS با HMC و سایر الگوریتم‌های MCMC
• 17. استفاده از NUTS در R با بسته Stan
• 18. استفاده از NUTS در Python با بسته PyMC3
• 19. بهینه‌سازی NUTS برای مسائل خاص: مدل‌های پیچیده
• 20. بهینه‌سازی NUTS برای مسائل خاص: داده‌های بزرگ
• 21. بهینه‌سازی NUTS برای مسائل خاص: توزیع‌های غیر استاندارد
• 22. تکنیک‌های موازی‌سازی NUTS
• 23. استفاده از NUTS در مدل‌سازی بیزی چند متغیره
• 24. NUTS و مدل‌های زمانی
• 25. NUTS و مدل‌های فضایی
• 26. NUTS و یادگیری ماشین بیزی
• 27. انتخاب توزیع‌های پیشین مناسب برای NUTS
• 28. تاثیر توزیع‌های پیشین بر نتایج NUTS
• 29. روش‌های ارزیابی حساسیت به توزیع پیشین در NUTS
• 30. NUTS و انتخاب مدل (Model Selection)
• 31. استفاده از NUTS در تحلیل بقا (Survival Analysis)
• 32. NUTS و مدل‌سازی علت و معلولی (Causal Inference)
• 33. بررسی موردی: بهینه‌سازی NUTS در یک پروژه تحقیقاتی واقعی
• 34. پیاده‌سازی NUTS از صفر (برای درک عمیق‌تر)
• 35. اشتباهات رایج در استفاده از NUTS و راهکارهای آن‌ها
• 36. منابع تکمیلی و ابزارهای مفید برای NUTS