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

🎓 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 بیزی
• 2. مفاهیم پایه احتمالات و آمار
• 3. نظریه احتمال در مدل‌سازی
• 4. توزیع‌های احتمال گسسته و پیوسته
• 5. مقدمه‌ای بر استنتاج بیزی
• 6. قضیه بیز و کاربردهای آن
• 7. مفهوم پیشین و پسین
• 8. انتخاب توزیع پیشین مناسب
• 9. مدل‌های خطی در آمار بیزی
• 10. رگرسیون خطی بیزی
• 11. رگرسیون لجستیک بیزی
• 12. مدل‌های سلسله مراتبی بیزی
• 13. مقدمه‌ای بر زنجیره‌های مارکوف مونت کارلو (MCMC)
• 14. مفهوم زنجیره مارکوف
• 15. اصول الگوریتم‌های MCMC
• 16. نمونه‌گیری گیبس (Gibbs Sampling)
• 17. نمونه‌گیری رندوم‌هست (Metropolis-Hastings)
• 18. نکات عملی در پیاده‌سازی MCMC
• 19. بررسی همگرایی زنجیره‌ها
• 20. معیارهای ارزیابی همگرایی
• 21. تشخیص همگرایی بصری و آماری
• 22. استفاده از نرم‌افزار Stan
• 23. مقدمه‌ای بر زبان Stan
• 24. نحو و ساختار برنامه‌های Stan
• 25. تعریف مدل‌ها در Stan
• 26. توابع احتمال و توزیع‌ها در Stan
• 27. نحوه فراخوانی Stan از R
• 28. نحوه فراخوانی Stan از Python
• 29. تنظیم پارامترهای پیش‌فرض Stan
• 30. تنظیم تعداد تکرارها (iterations)
• 31. تنظیم تعداد زنجیره‌ها (chains)
• 32. تنظیم تعداد مراحل گرم‌کردن (warmup)
• 33. تنظیم گام‌های نمونه‌گیری (thinning)
• 34. اهمیت تنظیم صحیح پارامترها
• 35. تأثیر پارامترها بر سرعت و دقت
• 36. تنظیم پارامترهای MCMC برای مدل‌های ساده
• 37. مدل رگرسیون خطی در Stan
• 38. تنظیم پارامترها برای مدل خطی
• 39. بررسی نتایج مدل خطی
• 40. تنظیم پارامترهای MCMC برای مدل‌های پیچیده
• 41. مدل رگرسیون لجستیک در Stan
• 42. تنظیم پارامترها برای مدل لجستیک
• 43. بررسی نتایج مدل لجستیک
• 44. مدل‌های سلسله مراتبی در Stan
• 45. تنظیم پارامترها برای مدل‌های سلسله مراتبی
• 46. بررسی نتایج مدل‌های سلسله مراتبی
• 47. تنظیم پارامترهای MCMC برای داده‌های سری زمانی
• 48. مدل‌های ARIMA در Stan
• 49. تنظیم پارامترها برای مدل‌های سری زمانی
• 50. بررسی نتایج مدل‌های سری زمانی
• 51. تنظیم پارامترهای MCMC برای مدل‌های فضایی
• 52. مقدمه‌ای بر مدل‌سازی فضایی بیزی
• 53. تنظیم پارامترها برای مدل‌های فضایی
• 54. بررسی نتایج مدل‌های فضایی
• 55. تنظیم پارامترهای MCMC برای مدل‌های بقا
• 56. مدل‌های کاکس در Stan
• 57. تنظیم پارامترها برای مدل‌های بقا
• 58. بررسی نتایج مدل‌های بقا
• 59. تنظیم پارامترهای MCMC برای مدل‌های گرافیکی
• 60. مقدمه‌ای بر مدل‌های گرافیکی بیزی
• 61. تنظیم پارامترها برای مدل‌های گرافیکی
• 62. بررسی نتایج مدل‌های گرافیکی
• 63. تنظیم پارامترهای MCMC برای مدل‌های ناپارامتری
• 64. مقدمه‌ای بر مدل‌های ناپارامتری بیزی
• 65. تنظیم پارامترها برای مدل‌های ناپارامتری
• 66. بررسی نتایج مدل‌های ناپارامتری
• 67. تنظیم پارامترهای MCMC برای مدل‌های مخلوط
• 68. مدل‌های مخلوط گوسی در Stan
• 69. تنظیم پارامترها برای مدل‌های مخلوط
• 70. بررسی نتایج مدل‌های مخلوط
• 71. تنظیم پارامترهای MCMC برای مدل‌های یادگیری ماشین بیزی
• 72. شبکه‌های عصبی بیزی در Stan
• 73. تنظیم پارامترها برای شبکه‌های عصبی بیزی
• 74. بررسی نتایج شبکه‌های عصبی بیزی
• 75. بهینه‌سازی پارامترهای MCMC
• 76. روش‌های پیشرفته تنظیم پارامترها
• 77. جستجوی شبکه‌ای (Grid Search)
• 78. بهینه‌سازی بیزی (Bayesian Optimization)
• 79. استفاده از ابزارهای خودکار تنظیم پارامتر
• 80. ارزیابی کیفیت نمونه‌ها
• 81. معیارهای اطلاعاتی (DIC, WAIC, LOO-CV)
• 82. مقایسه مدل‌ها با استفاده از معیارهای اطلاعاتی
• 83. تصمیم‌گیری مدل با معیارهای اطلاعاتی
• 84. کاربرد عملی تنظیم پارامترهای MCMC
• 85. مطالعه موردی: تنظیم پارامترها در یک مسئله واقعی
• 86. نکات پیشرفته و ترفندهای تنظیم پارامتر
• 87. اشکال‌زدایی (Debugging) در Stan
• 88. مدیریت حافظه و محاسبات در Stan
• 89. ملاحظات اخلاقی و حقوقی در استفاده از ابزارهای آماری
• 90. جمع‌بندی و نگاه به آینده