کتاب تنظیم پارامترهای MCMC برای Stan

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیم پارامترهای MCMC برای Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر مدل‌سازی آماری و استنتاج بیزی
  • 2. مبانی احتمال و آمار
  • 3. مفاهیم کلیدی استنتاج بیزی
  • 4. توزیع‌های پیشین و پسین
  • 5. قضیه بیز و کاربردهای آن
  • 6. انتخاب توزیع پیشین مناسب
  • 7. مدل‌های خطی بیزی
  • 8. مدل‌های سلسله مراتبی بیزی
  • 9. مقدمه‌ای بر نرم‌افزار Stan
  • 10. نصب و راه‌اندازی Stan
  • 11. زبان مدل‌سازی Stan
  • 12. نوشتن مدل‌های ساده در Stan
  • 13. کامپایل کردن و اجرای مدل‌ها در Stan
  • 14. تفسیر نتایج Stan
  • 15. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو (MCMC)
  • 16. الگوریتم‌های MCMC: Metropolis-Hastings
  • 17. الگوریتم گیبس سمپلینگ
  • 18. کاربرد MCMC در استنتاج بیزی
  • 19. مقدمه‌ای بر پارامترهای MCMC
  • 20. مشکلات در همگرایی MCMC
  • 21. معیارهای ارزیابی همگرایی MCMC
  • 22. تشخیص عدم همگرایی
  • 23. تنظیم پارامترهای الگوریتم Metropolis-Hastings
  • 24. تنظیم اندازه گام (Step Size)
  • 25. تنظیم نرخ پذیرش (Acceptance Rate)
  • 26. تنظیم پارامترهای الگوریتم گیبس سمپلینگ
  • 27. تنظیم تعداد تکرار (Iterations)
  • 28. تنظیم تعداد زنجیره (Chains)
  • 29. تنظیم طول burn-in
  • 30. تنظیم thinning
  • 31. اهمیت تنظیم پارامترها برای کارایی MCMC
  • 32. تاثیر پارامترهای MCMC بر همگرایی
  • 33. تاثیر پارامترهای MCMC بر دقت
  • 34. استفاده از trace plots برای ارزیابی همگرایی
  • 35. استفاده از autocorrelation plots
  • 36. استفاده از R-hat statistic
  • 37. استفاده از Effective Sample Size (ESS)
  • 38. روش‌های تشخیص و حل مشکلات همگرایی
  • 39. تشخیص multi-modality
  • 40. روش‌های نمونه‌برداری موازی (Parallel Sampling)
  • 41. پیاده‌سازی مدل‌های پیچیده‌تر در Stan
  • 42. مدل‌سازی داده‌های سری زمانی با Stan
  • 43. مدل‌سازی داده‌های مکانی با Stan
  • 44. مدل‌سازی بقا با Stan
  • 45. مدل‌های لجستیک بیزی
  • 46. مدل‌های رگرسیون پواسون بیزی
  • 47. مدل‌های رگرسیون خطی تعمیم‌یافته بیزی (GLMs)
  • 48. مدل‌های ناپارامتری بیزی
  • 49. ارزیابی مدل‌های بیزی
  • 50. اعتبارسنجی متقابل (Cross-validation)
  • 51. پیش‌بینی و تفسیر نتایج مدل
  • 52. مقایسه مدل‌های مختلف
  • 53. مدل‌سازی داده‌های گمشده با Stan
  • 54. تکنیک‌های imputing داده‌های گمشده
  • 55. استفاده از مدل‌های بیزی برای داده‌های گمشده
  • 56. بهینه‌سازی کد Stan
  • 57. استفاده از template functions
  • 58. استفاده از C++ در Stan
  • 59. معرفی الگوریتم‌های MCMC پیشرفته
  • 60. Hamiltonian Monte Carlo (HMC)
  • 61. No-U-Turn Sampler (NUTS)
  • 62. کاربرد HMC و NUTS در Stan
  • 63. تنظیم پارامترهای HMC
  • 64. تنظیم پارامترهای NUTS
  • 65. مقایسه HMC و NUTS با Metropolis-Hastings و Gibbs
  • 66. کاربرد MCMC در علوم مختلف
  • 67. کاربرد در اقتصاد و مالی
  • 68. کاربرد در زیست‌شناسی و پزشکی
  • 69. کاربرد در علوم اجتماعی
  • 70. کاربرد در مهندسی
  • 71. اخلاق در علم داده و مدل‌سازی آماری
  • 72. حفظ حریم خصوصی داده‌ها
  • 73. شفافیت در مدل‌سازی
  • 74. مسئولیت‌پذیری در نتایج
  • 75. تمرینات عملی و پروژه‌ها
  • 76. حل مسائل نمونه با Stan
  • 77. پیاده‌سازی مدل‌های سفارشی
  • 78. تحلیل داده‌های واقعی
  • 79. کارگاه عملی تنظیم پارامترهای MCMC
  • 80. ارائه پروژه‌های دانشجویی
  • 81. مرور مقالات مرتبط با MCMC و Stan
  • 82. مطالعه موردی: مدل‌سازی پیش‌بینی آب و هوا
  • 83. مطالعه موردی: مدل‌سازی رفتار مصرف‌کننده
  • 84. مطالعه موردی: مدل‌سازی انتشار بیماری
  • 85. مطالعه موردی: مدل‌سازی سیستم‌های پیچیده
  • 86. مباحث پیشرفته در استنتاج بیزی
  • 87. مدل‌های گرافیکی بیزی
  • 88. فیلتر کالمن بیزی
  • 89. تحلیل سری‌های زمانی بیزی پیشرفته
  • 90. مقدمه‌ای بر یادگیری ماشین بیزی
  • 91. شبکه‌های بیزی
  • 92. مدل‌های زبانی بیزی
  • 93. مروری بر آخرین تحقیقات در زمینه MCMC و Stan
  • 94. چالش‌های آینده در مدل‌سازی بیزی
  • 95. کاربرد Stan در محاسبات علمی
  • 96. ارتقاء عملکرد Stan
  • 97. توسعه کتابخانه‌های مرتبط با Stan
  • 98. پایان دوره و جمع‌بندی مباحث

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.