دوره مبانی Agnostic Convergence Diagnostics در MCMC همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب مبانی Agnostic Convergence Diagnostics در MCMC

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

موضوع میانی: Agnostic Convergence Diagnostics

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مبانی MCMC
• 2. مقدمه ای بر زنجیره های مارکوف
• 3. فهم فضای حالت
• 4. توزیع پایدار
• 5. مفهوم همگرایی
• 6. چالش های همگرایی در MCMC
• 7. چرا تشخیص همگرایی مهم است؟
• 8. مفهوم "Agnostic"
• 9. تفسیر "Agnostic" در زمینه MCMC
• 10. تفاوت با روش های پارامتری
• 11. تفاوت با روش های مبتنی بر توزیع
• 12. مزایای رویکرد Agnostic
• 13. کاربردهای رویکرد Agnostic
• 14. اصول اولیه تشخیص همگرایی
• 15. تعریف همگرایی در MCMC
• 16. انواع همگرایی
• 17. همگرایی نقطه ای
• 18. همگرایی در توزیع
• 19. همگرایی به توزیع پایدار
• 20. تعریف تشخیص همگرایی
• 21. هدف تشخیص همگرایی
• 22. چرا تشخیص همگرایی دشوار است؟
• 23. وابستگی به مسیر (Path Dependence)
• 24. وجود حالت های متعدد (Multimodality)
• 25. همبستگی در نمونه ها (Autocorrelation)
• 26. سرعت همگرایی (Convergence Speed)
• 27. معیارهای مختلف همگرایی
• 28. مفهوم "Ancillary Statistics"
• 29. استفاده از آماره های کمکی
• 30. چگونه آماره های کمکی کار می کنند؟
• 31. مثال هایی از آماره های کمکی
• 32. مفهوم "Convergence Diagnostics"
• 33. انواع تشخیص های همگرایی
• 34. تشخیص های بصری
• 35. نمودارهای مسیر (Trace Plots)
• 36. نمودارهای خودهمبستگی (Autocorrelation Plots)
• 37. هیستوگرام ها
• 38. نمودارهای چگالی (Density Plots)
• 39. تشخیص های آماری
• 40. معیارهای مبتنی بر واریانس
• 41. معیارهای مبتنی بر فاصله
• 42. معیارهای مبتنی بر نسبت
• 43. تشخیص های مبتنی بر چند زنجیره
• 44. رویکرد چند زنجیره ای
• 45. چرا استفاده از چند زنجیره مفید است؟
• 46. مقایسه زنجیره ها
• 47. معیارهای مبتنی بر واریانس بین زنجیره ای
• 48. معیارهای مبتنی بر همبستگی بین زنجیره ای
• 49. معیارهای مبتنی بر فاصله بین توزیع ها
• 50. معیارهای مبتنی بر نسبت واریانس
• 51. تشخیص های مبتنی بر یک زنجیره
• 52. چالش های استفاده از یک زنجیره
• 53. تشخیص های مبتنی بر تجزیه و تحلیل آماره ها
• 54. تشخیص های مبتنی بر واریانس نمونه
• 55. تشخیص های مبتنی بر طول دوره (Cycle Length)
• 56. تشخیص های مبتنی بر مقایسه میانگین ها
• 57. تشخیص های مبتنی بر مقایسه واریانس ها
• 58. تشخیص های مبتنی بر مقایسه خودهمبستگی
• 59. تشخیص های مبتنی بر روش های آماری پیشرفته
• 60. مفهوم "Effective Sample Size" (ESS)
• 61. چگونه ESS همگرایی را نشان می دهد؟
• 62. محاسبه ESS
• 63. تفسیر مقادیر ESS
• 64. مفهوم "Gelman-Rubin Statistic" (R-hat)
• 65. چگونه R-hat کار می کند؟
• 66. محاسبه R-hat
• 67. تفسیر مقادیر R-hat
• 68. مفهوم "Potential Scale Reduction Factor" (PSRF)
• 69. رابطه PSRF با R-hat
• 70. تفسیر مقادیر PSRF
• 71. مفهوم "Geweke Diagnostic"
• 72. چگونه تشخیص Geweke کار می کند؟
• 73. تقسیم زنجیره به بخش ها
• 74. مقایسه میانگین بخش های مختلف
• 75. تفسیر نتایج Geweke
• 76. مفهوم "Heidelberger-Welch Diagnostic"
• 77. چگونه تشخیص Heidelberger-Welch کار می کند؟
• 78. تشخیص شروع بخش غیر همگرا
• 79. تخمین واریانس در بخش همگرا
• 80. تفسیر نتایج Heidelberger-Welch
• 81. مفهوم "Raftery-Lewis Diagnostic"
• 82. چگونه تشخیص Raftery-Lewis کار می کند؟
• 83. تعیین تعداد نمونه های مورد نیاز
• 84. تخمین فاصله اطمینان
• 85. تفسیر نتایج Raftery-Lewis
• 86. مفهوم "Brooks-Gelman Diagnostic"
• 87. چگونه تشخیص Brooks-Gelman کار می کند؟
• 88. مقایسه واریانس درون و بین زنجیره ای
• 89. تفسیر نتایج Brooks-Gelman
• 90. مفهوم "Agnostic Convergence Diagnostics"
• 91. تعریف دقیق "Agnostic Convergence Diagnostics"
• 92. چرا این تشخیص ها "Agnostic" هستند؟
• 93. عدم نیاز به فرض های پارامتری خاص
• 94. عدم نیاز به دانش پیشین از توزیع پایدار
• 95. قابلیت اعمال در مدل های مختلف
• 96. مزایای رویکرد Agnostic در تشخیص همگرایی
• 97. قابلیت اعتماد بالا
• 98. تفسیرپذیری بالا
• 99. انعطاف پذیری بالا
• 100. محدودیت های رویکرد Agnostic