دوره تنظیم پارامترهای MCMC با Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 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. مقدمات و مبانی احتمالات
• 2. مفاهیم اساسی آمار استنباطی
• 3. معرفی مدل‌های آماری
• 4. مبانی زنجیره‌های مارکوف
• 5. فرایندهای تصادفی و کاربردهای آن‌ها
• 6. مقدمه‌ای بر روش‌های مونت کارلو
• 7. مفهوم نمونه‌گیری در مونت کارلو
• 8. کاربرد نمونه‌گیری در مسائل آماری
• 9. محدودیت‌های نمونه‌گیری ساده
• 10. معرفی نمونه‌گیری اهمیت (Importance Sampling)
• 11. مزایا و معایب نمونه‌گیری اهمیت
• 12. مقدمه‌ای بر روش‌های MCMC
• 13. هدف از روش‌های MCMC
• 14. تفاوت MCMC با نمونه‌گیری اهمیت
• 15. معرفی الگوریتم Metropolis-Hastings
• 16. گام‌های الگوریتم Metropolis-Hastings
• 17. انتخاب تابع پیشنهاد در Metropolis-Hastings
• 18. ارزیابی همگرایی در Metropolis-Hastings
• 19. مقدمه‌ای بر الگوریتم Gibbs Sampling
• 20. شرایط استفاده از Gibbs Sampling
• 21. مقایسه Metropolis-Hastings و Gibbs Sampling
• 22. مبانی نرم‌افزار Stan
• 23. معماری و زبان برنامه‌نویسی Stan
• 24. نصب و راه‌اندازی Stan
• 25. نوشتن مدل‌های ساده در Stan
• 26. کامپایل و اجرای مدل‌ها در Stan
• 27. آشنایی با داده‌ها در Stan
• 28. انواع داده‌ها و ساختار آن‌ها در Stan
• 29. مدل‌سازی داده‌های مشاهده‌ای در Stan
• 30. مدل‌سازی توزیع‌های آماری در Stan
• 31. تنظیم پارامترهای مدل‌های خطی در Stan
• 32. مدل‌سازی رگرسیون در Stan
• 33. مدل‌سازی رگرسیون لجستیک در Stan
• 34. مدل‌سازی مدل‌های خطی تعمیم‌یافته (GLM)
• 35. پیاده‌سازی GLM در Stan
• 36. مدل‌سازی سری‌های زمانی مقدماتی در Stan
• 37. مدل‌های ARIMA در Stan
• 38. پیش‌بینی با مدل‌های سری زمانی در Stan
• 39. مدل‌سازی داده‌های سلسله‌مراتبی در Stan
• 40. مفاهیم سطوح مختلف در مدل‌های سلسله‌مراتبی
• 41. پیاده‌سازی مدل‌های سلسله‌مراتبی در Stan
• 42. مدل‌سازی اثرات تصادفی در Stan
• 43. مدل‌سازی اثرات ثابت در Stan
• 44. مدل‌سازی داده‌های فضایی مقدماتی در Stan
• 45. مفاهیم داده‌های فضایی
• 46. مدل‌سازی داده‌های فضایی در Stan
• 47. مقدمه‌ای بر مدل‌های بیزی
• 48. فلسفه مدل‌سازی بیزی
• 49. کاربرد مدل‌های بیزی در آمار
• 50. پیاده‌سازی مدل‌های بیزی در Stan
• 51. انتخاب توزیع پیشین (Prior) در مدل‌های بیزی
• 52. تأثیر توزیع پیشین بر نتایج
• 53. تنظیم توزیع پیشین در Stan
• 54. بررسی همگرایی زنجیره‌های MCMC
• 55. معیارهای بصری همگرایی (Trace Plots)
• 56. معیارهای کمی همگرایی (Gelman-Rubin Statistic)
• 57. عیب‌یابی مدل‌های MCMC
• 58. شناسایی مشکلات همگرایی
• 59. راهکارهای اصلاح مشکلات همگرایی
• 60. بهینه‌سازی کد Stan
• 61. نکات و ترفندهای نوشتن کد کارآمد
• 62. استفاده از دستورات بهینه در Stan
• 63. اعتبارسنجی مدل‌ها
• 64. آزمون‌های پس از برازش (Posterior Predictive Checks)
• 65. تفسیر نتایج اعتبارسنجی
• 66. کاربرد MCMC در مطالعات علمی
• 67. مثال‌های کاربردی از MCMC در علوم مختلف
• 68. مدل‌سازی پدیده‌های پیچیده با MCMC
• 69. مقدمه‌ای بر مدل‌های بیزی پیشرفته
• 70. مدل‌های بیزی غیرپارامتری
• 71. مدل‌های بیزی برای داده‌های حجیم
• 72. مقدمه‌ای بر بهینه‌سازی مدل‌ها
• 73. تکنیک‌های بهینه‌سازی پارامترها
• 74. ارزیابی مدل‌های مختلف
• 75. مقدمه‌ای بر پردازش زبان طبیعی با MCMC
• 76. مدل‌سازی موضوعی (Topic Modeling)
• 77. کاربرد MCMC در پردازش زبان طبیعی
• 78. مقدمه‌ای بر یادگیری ماشین بیزی
• 79. شبکه‌های بیزی
• 80. کاربرد MCMC در یادگیری ماشین
• 81. مدل‌سازی آماری در مسائل زیست‌شناسی
• 82. کاربرد MCMC در مطالعات ژنتیک
• 83. مدل‌سازی در اقتصاد سنجی بیزی
• 84. کاربرد MCMC در مسائل مالی
• 85. مقدمه‌ای بر داده‌کاوی بیزی
• 86. روش‌های خوشه‌بندی بیزی
• 87. کاربرد MCMC در داده‌کاوی
• 88. نکات پیشرفته در برنامه‌نویسی Stan
• 89. توابع سفارشی در Stan
• 90. استفاده از ماژول‌ها در Stan
• 91. مقدمه‌ای بر تحلیل حساسیت در MCMC
• 92. اهمیت تحلیل حساسیت
• 93. انجام تحلیل حساسیت با Stan
• 94. بررسی مفاهیم آماری پیشرفته در بیز
• 95. کاربرد MCMC در علوم اجتماعی
• 96. مدل‌سازی پیشرفته سری‌های زمانی با MCMC
• 97. بررسی مدل‌های پنهان مارکوف (HMM) در Stan
• 98. مقدمه‌ای بر مدل‌های گرافیکی در Stan
• 99. مدل‌سازی شبکه‌های اجتماعی با MCMC
• 100. مبانی مدل‌سازی آماری در شبکه‌ها