کتاب صوتی 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. مقدمه‌ای بر Stan و رفع اشکال
• 2. ساختار یک مدل Stan صحیح
• 3. شناسایی خطاهای رایج کامپایل در Stan
• 4. درک پیام‌های هشدار Stan
• 5. خطاهای مربوط به توابع و عبارات ریاضی
• 6. خطاهای مربوط به داده‌های ورودی
• 7. خطاهای مربوط به محدودیت‌ها و تبدیل‌ها
• 8. رفع خطاهای مربوط به ابعاد و شکل داده‌ها
• 9. خطاهای مربوط به تخصیص حافظه
• 10. خطاهای مربوط به نمونه‌گیری (Sampling errors)
• 11. تشخیص Divergences در Stan
• 12. علل Divergences و راهکارهای رفع
• 13. تشخیص Rhat بالا و مشکلات همگرایی
• 14. بهبود همگرایی با تنظیم پارامترهای نمونه‌گیری
• 15. تنظیم پارامتر `stepsize`
• 16. تنظیم پارامتر `target_accept`
• 17. تنظیم پارامتر `max_treedepth`
• 18. استفاده از `adapt_delta` برای تنظیم خودکار گام
• 19. بهینه‌سازی مدل با گرادیان
• 20. تشخیص و رفع مشکلات مربوط به شناسایی مدل (Model Identification)
• 21. استفاده از Priorهای آگاهانه (Informative Priors)
• 22. مقایسه Priorهای مختلف و تاثیر آن‌ها بر نتایج
• 23. استفاده از توابع Transformation برای بهبود نمونه‌گیری
• 24. بهینه‌سازی کد Stan برای سرعت بیشتر
• 25. اجتناب از حلقه‌ها و استفاده از توابع برداری
• 26. استفاده از توابع Built-in Stan
• 27. بهره‌گیری از parallelization در Stan
• 28. Debugging مدل‌های پیچیده Stan
• 29. استفاده از ابزارهای پروفایلینگ Stan
• 30. تست واحد (Unit Testing) مدل‌های Stan
• 31. نوشتن تست برای اطمینان از صحت مدل
• 32. بررسی تاثیر تغییرات کد بر نتایج
• 33. بهینه‌سازی برای مدل‌های سلسله‌مراتبی (Hierarchical Models)
• 34. بهینه‌سازی برای مدل‌های با ابعاد بزرگ
• 35. استفاده از ADVI (Automatic Differentiation Variational Inference)
• 36. مقایسه MCMC با ADVI
• 37. استفاده از Stan برای مدل‌سازی Bayesian A/B Testing
• 38. رفع اشکال در مدل‌های A/B Testing
• 39. بهینه‌سازی عملکرد مدل‌های A/B Testing
• 40. استفاده از Stan برای مدل‌سازی سری‌های زمانی
• 41. رفع اشکال در مدل‌های سری زمانی
• 42. بهینه‌سازی عملکرد مدل‌های سری زمانی
• 43. استفاده از Stan در ترکیب با R و Python
• 44. رفع اشکال و بهینه‌سازی از طریق رابط R
• 45. رفع اشکال و بهینه‌سازی از طریق رابط Python
• 46. بهینه‌سازی مدل‌های Stan برای داده‌های گم‌شده (Missing Data)
• 47. کار با داده‌های سانسور شده (Censored Data) در Stan
• 48. روش‌های پیشرفته برای رفع مشکلات همگرایی
• 49. استفاده از Hamiltonian Monte Carlo (HMC) بهینه شده
• 50. درک تاثیر الگوریتم‌های نمونه‌گیری بر عملکرد
• 51. بهینه‌سازی مدل‌های Stan با استفاده از اطلاعات Hessian
• 52. استفاده از Stan برای مدل‌سازی Bayesian Non-parametric
• 53. رفع اشکال در مدل‌های Bayesian Non-parametric
• 54. پیشگیری از خطاهای رایج در مدل‌سازی Bayesian Non-parametric