اپلیکیشن اندرویدی فلش‌کارت آموزشی تنظیم پارامترهای MCMC با Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تنظیم پارامترهای MCMC با Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نمونه‌گیری بیزین و زنجیره‌های مارکوف مونت کارلو
• 2. مفاهیم اساسی در آمار بیزین
• 3. توزیع پیشین و پسین
• 4. قضیه بیز و کاربردهای آن
• 5. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو (MCMC)
• 6. انواع الگوریتم‌های MCMC
• 7. مقدمه‌ای بر زبان برنامه‌نویسی Stan
• 8. نصب و راه‌اندازی Stan
• 9. ساختار مدل در Stan
• 10. سینتکس پایه Stan
• 11. تعریف متغیرهای مدل در Stan
• 12. توزیع‌های احتمالی در Stan
• 13. توابع کمکی در Stan
• 14. نوشتن اولین مدل ساده در Stan
• 15. استنتاج بیزین با استفاده از Stan
• 16. اجرای مدل‌ها در Stan
• 17. تفسیر نتایج Stan
• 18. نمودارهای تشخیصی MCMC
• 19. ارزیابی همگرایی الگوریتم‌ها
• 20. معیارهای همگرایی (Gelman-Rubin)
• 21. تنظیم پارامترهای پیش‌فرض MCMC
• 22. تنظیمات تخصصی MCMC در Stan
• 23. انتخاب الگوریتم مناسب MCMC
• 24. الگوریتم Metropolis-Hastings
• 25. الگوریتم Gibbs Sampling
• 26. الگوریتم Hamiltonian Monte Carlo (HMC)
• 27. الگوریتم No-U-Turn Sampler (NUTS)
• 28. مقایسه الگوریتم‌های HMC و NUTS
• 29. تنظیم پارامترهای HMC
• 30. تنظیم پارامترهای NUTS
• 31. گام‌های الگوریتم NUTS (treedepth)
• 32. تنظیمات مربوط به طول گام (stepsize)
• 33. تنظیمات مربوط به تعداد تکرارها (iterations)
• 34. تنظیمات مربوط به زنجیره‌ها (chains)
• 35. تنظیمات مربوط به گرم کردن (warmup)
• 36. تنظیمات مربوط به نمونه‌گیری (sampling)
• 37. تنظیم پارامترهای مربوط به توزیع پیشین
• 38. تاثیر انتخاب توزیع پیشین بر نتایج
• 39. مدل‌های خطی بیزین در Stan
• 40. مدل‌های رگرسیون خطی بیزین
• 41. مدل‌های رگرسیون لجستیک بیزین
• 42. مدل‌های مختلط بیزین در Stan
• 43. مدل‌های سری زمانی بیزین
• 44. مدل‌های فضایی بیزین
• 45. مدل‌های سلسله مراتبی بیزین
• 46. مدل‌های غیر پارامتری بیزین
• 47. مدل‌های مبتنی بر عامل در Stan
• 48. مدل‌های گرافیکی احتمالی در Stan
• 49. استفاده از داده‌های واقعی در Stan
• 50. پیش‌پردازش داده‌ها برای Stan
• 51. اعتبارسنجی مدل‌های بیزین
• 52. مقایسه مدل‌های بیزین
• 53. انتخاب مدل با استفاده از معیارهای بیزین
• 54. معیار اطلاعات آکائیکه بیزین (BIC)
• 55. معیار اطلاعات آکائیکه بیزین تصحیح شده (AICc)
• 56. معیار اطلاعات پسین مورد انتظار (ELPD)
• 57. معیار اطلاعات پیش‌بینی کننده پسین (LOO-CV)
• 58. اعتبارسنجی متقابل در Stan
• 59. تنظیم پارامترهای پیشرفته برای بهبود عملکرد
• 60. استفاده از کامپایلر Stan
• 61. بهینه‌سازی کد Stan
• 62. تکنیک‌های نمونه‌گیری پیشرفته
• 63. استفاده از موازی‌سازی در Stan
• 64. مدیریت حافظه در Stan
• 65. اشکال‌زدایی مدل‌های Stan
• 66. نکات کاربردی در نوشتن مدل‌های Stan
• 67. مثال‌های عملی از کاربرد Stan
• 68. تحلیل داده‌های زیستی با Stan
• 69. تحلیل داده‌های اقتصادی با Stan
• 70. تحلیل داده‌های علوم اجتماعی با Stan
• 71. تحلیل داده‌های مهندسی با Stan
• 72. تحلیل داده‌های محیط زیستی با Stan
• 73. مدل‌سازی پیش‌بینی با Stan
• 74. شبیه‌سازی از مدل‌های بیزین
• 75. تجسم نتایج با استفاده از R و Stan
• 76. تجسم نتایج با استفاده از Python و Stan
• 77. ارائه نتایج تحلیل‌های بیزین
• 78. کاربرد MCMC در بهینه‌سازی
• 79. روش‌های نمونه‌گیری در فضای پارامتر
• 80. کنترل کیفیت در نمونه‌گیری MCMC
• 81. تکنیک‌های نمونه‌گیری کاهش واریانس
• 82. استفاده از توزیع‌های کمکی در MCMC
• 83. ملاحظات مربوط به زمان محاسباتی
• 84. بهبود کارایی الگوریتم‌های MCMC
• 85. نقش MCMC در یادگیری ماشین بیزین
• 86. مقدمه‌ای بر شبکه‌های بیزین
• 87. مدل‌سازی بیزین در یادگیری عمیق
• 88. پروژه‌های پیشرفته با Stan
• 89. چالش‌های مدل‌سازی بیزین
• 90. ملاحظات اخلاقی در تحلیل داده‌ها
• 91. اصول کلی در تنظیم پارامترها
• 92. کاربردهای تخصصی Stan
• 93. جمع‌بندی و نگاه به آینده