کتاب صوتی استفاده از Stan for Advanced Data Analysis

🎓 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