فلش‌کارت‌های آموزشی ملاحظات مهم در اجرای MCMC با Stan

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ملاحظات مهم در اجرای MCMC با Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمات و اصول اولیه MCMC
• 2. نصب و راه‌اندازی Stan
• 3. آشنایی با زبان برنامه‌نویسی Stan
• 4. توابع احتمال و توابع چگالی احتمال
• 5. قانون بیز و استنباط بیزی
• 6. مفهوم توزیع پیشین و پسین
• 7. روش‌های نمونه‌گیری از توزیع‌ها
• 8. مقدمه‌ای بر الگوریتم‌های مارکوف چین مونت کارلو (MCMC)
• 9. کاربرد MCMC در آمار و یادگیری ماشین
• 10. معرفی الگوریتم Metropolis-Hastings
• 11. پیاده‌سازی Metropolis-Hastings در Stan
• 12. الگوریتم Gibbs Sampling
• 13. پیاده‌سازی Gibbs Sampling در Stan
• 14. مفهوم زنجیره مارکوف و فضای حالت
• 15. همگرایی زنجیره‌های مارکوف
• 16. معیارهای ارزیابی همگرایی MCMC
• 17. روش‌های تشخیص واگرایی
• 18. نمودارهای Trace Plot و Autocorrelation
• 19. شاخص R-hat (Gelman-Rubin)
• 20. روش‌های کاهش واریانس نمونه‌گیری
• 21. نمونه‌گیری Importance Sampling
• 22. کاربرد Importance Sampling در Stan
• 23. روش‌های پیشرفته MCMC
• 24. الگوریتم Hamiltonian Monte Carlo (HMC)
• 25. مزایای HMC نسبت به Metropolis-Hastings
• 26. پیاده‌سازی HMC در Stan
• 27. الگوریتم No-U-Turn Sampler (NUTS)
• 28. مزایای NUTS
• 29. بهینه‌سازی پارامترهای NUTS
• 30. مدل‌سازی خطی ساده با Stan
• 31. مدل‌سازی رگرسیون لجستیک با Stan
• 32. مدل‌سازی سری‌های زمانی با Stan
• 33. مدل‌سازی مدل‌های اثر مختلط با Stan
• 34. مدل‌سازی مدل‌های پواسون با Stan
• 35. مدل‌سازی مدل‌های ناپارامتری با Stan
• 36. مدل‌سازی شبکه‌های بیزی با Stan
• 37. مدل‌سازی مدل‌های رگرسیون کوواریانس با Stan
• 38. مدل‌سازی مدل‌های بقا با Stan
• 39. مدل‌سازی مدل‌های طبقه‌بندی با Stan
• 40. مدل‌سازی مدل‌های خوشه‌بندی با Stan
• 41. مدل‌سازی مدل‌های فاکتور با Stan
• 42. مدل‌سازی مدل‌های رگرسیون پنهان مارکوف با Stan
• 43. مدل‌سازی مدل‌های شبیه‌سازی با Stan
• 44. مدل‌سازی مدل‌های سلسله مراتبی با Stan
• 45. مدل‌سازی مدل‌های فضایی با Stan
• 46. مدل‌سازی مدل‌های یادگیری عمیق با Stan
• 47. رابطه Stan با سایر نرم‌افزارهای آماری
• 48. استفاده از R و Python برای فراخوانی Stan
• 49. تجسم نتایج MCMC با Stan
• 50. مقایسه مدل‌های مختلف با استفاده از معیارهای بیزی
• 51. اعتبارسنجی مدل‌های بیزی
• 52. مدل‌سازی داده‌های پرت با Stan
• 53. مدل‌سازی داده‌های گمشده با Stan
• 54. مدل‌سازی داده‌های باینری با Stan
• 55. مدل‌سازی داده‌های شمارشی با Stan
• 56. مدل‌سازی داده‌های پیوسته با Stan
• 57. مدل‌سازی داده‌های دسته‌بندی شده با Stan
• 58. مدل‌سازی داده‌های رتبه‌ای با Stan
• 59. مدل‌سازی داده‌های متنی با Stan
• 60. مدل‌سازی داده‌های تصویری با Stan
• 61. مدل‌سازی داده‌های شبکه‌ای با Stan
• 62. مدل‌سازی داده‌های مکانی با Stan
• 63. مدل‌سازی داده‌های زمانی با Stan
• 64. مدل‌سازی داده‌های پانل با Stan
• 65. مدل‌سازی داده‌های چند سطحی با Stan
• 66. مدل‌سازی داده‌های هتروسکدastic با Stan
• 67. مدل‌سازی داده‌های همبسته با Stan
• 68. مدل‌سازی داده‌های ناهمگن با Stan
• 69. مدل‌سازی داده‌های پویا با Stan
• 70. مدل‌سازی داده‌های استاتیک با Stan
• 71. مدل‌سازی مدل‌های پیش‌بینی با Stan
• 72. مدل‌سازی مدل‌های تشخیص ناهنجاری با Stan
• 73. مدل‌سازی مدل‌های توصیه گر با Stan
• 74. مدل‌سازی مدل‌های تحلیل احساسات با Stan
• 75. مدل‌سازی مدل‌های پردازش زبان طبیعی با Stan
• 76. مدل‌سازی مدل‌های بینایی ماشین با Stan
• 77. مدل‌سازی مدل‌های تشخیص تصویر با Stan
• 78. مدل‌سازی مدل‌های تشخیص اشیاء با Stan
• 79. مدل‌سازی مدل‌های تقسیم‌بندی تصویر با Stan
• 80. مدل‌سازی مدل‌های تولید تصویر با Stan
• 81. مدل‌سازی مدل‌های تفسیرپذیری مدل‌های یادگیری ماشین
• 82. مدل‌سازی مدل‌های عادلانه در یادگیری ماشین
• 83. مدل‌سازی مدل‌های مقاوم در برابر حملات
• 84. مدل‌سازی مدل‌های کارآمد در محاسبات
• 85. مدل‌سازی مدل‌های مقیاس‌پذیر در یادگیری ماشین
• 86. مدل‌سازی چالش‌های عملی در اجرای MCMC
• 87. راهکارهای بهینه‌سازی سرعت در Stan
• 88. مدیریت حافظه در اجرای Stan
• 89. اشکال‌زدایی مدل‌های Stan
• 90. نکات پیشرفته در نوشتن کد Stan
• 91. مرجع کتابخانه‌ها و توابع Stan
• 92. منابع تکمیلی برای یادگیری MCMC
• 93. کاربردهای پیشرفته MCMC در پژوهش‌های علمی
• 94. آینده MCMC و Stan در علم داده
• 95. جمع‌بندی و کاربردهای عملی MCMC با Stan