کتاب HMC و NUTS: پیشرفته‌ترین رویکردها برای مدل‌سازی بیزی در Stan
, ,

کتاب HMC و NUTS: پیشرفته‌ترین رویکردها برای مدل‌سازی بیزی در Stan

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000027588 دسته: , , برچسب: , , , , , , , , ,

📚 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

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب HMC و NUTS: پیشرفته‌ترین رویکردها برای مدل‌سازی بیزی در Stan

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

موضوع میانی: نمونه‌گیری از طریق HMC و NUTS در Stan

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه ای بر مدل سازی بیزی
  • 2. مبانی احتمال بیزی
  • 3. قضیه بیز
  • 4. توزیع های پیشین و پسین
  • 5. توزیع های پیشین نامناسب
  • 6. توزیع های پیشین مناسب
  • 7. نمونه برداری از توزیع پسین
  • 8. روش های مونت کارلو زنجیره مارکوف (MCMC)
  • 9. انواع الگوریتم های MCMC
  • 10. الگوریتم Metropolis-Hastings
  • 11. الگوریتم Gibbs Sampling
  • 12. محدودیت های الگوریتم های MCMC کلاسیک
  • 13. معرفی Stan
  • 14. مبانی Stan
  • 15. زبان مدل سازی Stan
  • 16. کامپایل کردن مدل های Stan
  • 17. اجرای مدل های Stan
  • 18. تجسم نتایج Stan
  • 19. تشخیص همگرایی در Stan
  • 20. معیارهای همگرایی
  • 21. نمودارهای Trace
  • 22. نمودارهای Autocorrelation
  • 23. R-hat
  • 24. نکات مهم در مدل سازی بیزی با Stan
  • 25. انتخاب توزیع های پیشین مناسب
  • 26. اعتبارسنجی مدل
  • 27. تفسیر نتایج
  • 28. معرفی Hamiltonian Monte Carlo (HMC)
  • 29. مبانی فیزیک همیلتونی
  • 30. انرژی پتانسیل و انرژی جنبشی
  • 31. قانون حفظ انرژی
  • 32. معرفی Hamiltonian Monte Carlo
  • 33. تفاوت HMC با MCMC کلاسیک
  • 34. مزایای HMC
  • 35. معایب HMC
  • 36. الگوریتم HMC
  • 37. انتخاب گام زمان (epsilon)
  • 38. تعداد گام های شبیه سازی (L)
  • 39. مکانیک HMC
  • 40. پیاده سازی HMC در Stan
  • 41. پارامترهای HMC در Stan
  • 42. تنظیم پارامترهای HMC
  • 43. انتخاب گام زمان بهینه
  • 44. انتخاب تعداد گام های شبیه سازی بهینه
  • 45. نکات پیشرفته در HMC
  • 46. مفهوم "mass matrix"
  • 47. تنظیم "mass matrix"
  • 48. اثر "mass matrix" بر کارایی
  • 49. معرفی No-U-Turn Sampler (NUTS)
  • 50. محدودیت های HMC کلاسیک
  • 51. ایده اصلی NUTS
  • 52. مکانیزم توقف در NUTS
  • 53. مزایای NUTS
  • 54. معایب NUTS
  • 55. الگوریتم NUTS
  • 56. شبیه سازی دوطرفه
  • 57. استفاده از tree depth
  • 58. کارایی NUTS
  • 59. پیاده سازی NUTS در Stan
  • 60. NUTS به عنوان الگوریتم پیش فرض در Stan
  • 61. تنظیم پارامترهای NUTS
  • 62. "tree depth" و اثر آن
  • 63. "max_treedepth"
  • 64. نکات پیشرفته در NUTS
  • 65. تکنیک های بهینه سازی در NUTS
  • 66. اثر "step size" بر NUTS
  • 67. اثر "mass matrix" بر NUTS
  • 68. مقایسه HMC و NUTS
  • 69. سناریوهای مناسب برای HMC
  • 70. سناریوهای مناسب برای NUTS
  • 71. انتخاب بین HMC و NUTS
  • 72. راهنمایی برای انتخاب الگوریتم
  • 73. مثال های عملی با HMC و NUTS
  • 74. مدل های خطی بیزی با HMC و NUTS
  • 75. مدل های سلسله مراتبی بیزی با HMC و NUTS
  • 76. مدل های سری زمانی بیزی با HMC و NUTS
  • 77. مدل های نقطه فرآیند بیزی با HMC و NUTS
  • 78. مدل های گرافیکی بیزی با HMC و NUTS
  • 79. مدل های یادگیری ماشین بیزی با HMC و NUTS
  • 80. اشکال زدایی مدل های Stan
  • 81. شناسایی مشکلات مدل
  • 82. رفع اشکالات احتمالی
  • 83. بهبود کارایی مدل
  • 84. تکنیک های پیشرفته مدل سازی بیزی
  • 85. مدل های با ابعاد بالا
  • 86. مدل های با داده های پراکنده
  • 87. مدل های با وابستگی های پیچیده
  • 88. مدل های بیزی پویا
  • 89. مدل های بیزی مکانی
  • 90. مدل های بیزی با ساختار شبکه ای
  • 91. مدل های بیزی غیرپارامتری
  • 92. محدودیت های مدل سازی بیزی
  • 93. تفسیر نتایج در دنیای واقعی
  • 94. محدودیت های محاسباتی
  • 95. محدودیت های نظری
  • 96. آینده مدل سازی بیزی
  • 97. توسعه الگوریتم های نمونه برداری
  • 98. ابزارهای مدل سازی بیزی
  • 99. کاربرد مدل سازی بیزی در رشته های مختلف
  • 100. علم داده

📚 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

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب HMC و NUTS: پیشرفته‌ترین رویکردها برای مدل‌سازی بیزی در Stan”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا