کتاب صوتی 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. مبانی نظری مدل‌سازی آماری بیزی
• 2. مفاهیم پایه زنجیره‌های مارکوف مونت کارلو (MCMC)
• 3. معرفی نرم‌افزار Stan
• 4. نصب و پیکربندی Stan
• 5. نوشتن مدل‌های ساده در Stan
• 6. انواع مدل‌های خطی تعمیم‌یافته (GLM) در Stan
• 7. مدل‌های سلسله‌مراتبی در Stan
• 8. مفاهیم پیشرفته زنجیره‌های مارکوف
• 9. الگوریتم‌های نمونه‌برداری در MCMC
• 10. متریک‌های ارزیابی کیفیت نمونه‌گیری
• 11. تشخیص همگرایی در MCMC
• 12. تنظیم پارامترهای پیش‌فرض MCMC
• 13. تنظیم گام اندازه هیلمونتی (HMC)
• 14. تنظیم پارامترهای NUTS
• 15. تنظیم تعداد تکرار نمونه‌برداری
• 16. تنظیم تعداد تکرار Burn-in
• 17. تنظیم تعداد زنجیره‌ها
• 18. تشخیص و رفع مشکلات همگرایی
• 19. تنظیم پارامترهای مدل برای بهبود همگرایی
• 20. روش‌های بصری برای ارزیابی همگرایی
• 21. روش‌های کمی برای ارزیابی همگرایی
• 22. تنظیم پارامترهای مدل برای کاهش واریانس
• 23. استفاده از اطلاعات پیشین (Prior) در Stan
• 24. انتخاب مناسب توزیع‌های پیشین
• 25. تأثیر توزیع‌های پیشین بر همگرایی
• 26. تنظیم پارامترهای مدل با استفاده از توزیع‌های پیشین
• 27. مدل‌سازی داده‌های سری زمانی در Stan
• 28. مدل‌سازی داده‌های فضایی در Stan
• 29. مدل‌سازی داده‌های بقا در Stan
• 30. مدل‌سازی رگرسیون لجستیک در Stan
• 31. مدل‌سازی رگرسیون پواسون در Stan
• 32. مدل‌سازی مدل‌های خطی مختلط (LMM) در Stan
• 33. مدل‌سازی مدل‌های غیرخطی در Stan
• 34. استفاده از داده‌های شبیه‌سازی شده برای تنظیم پارامتر
• 35. تنظیم پارامترهای مدل بر اساس نتایج شبیه‌سازی
• 36. بهینه‌سازی کد Stan برای سرعت
• 37. استفاده از توابع سفارشی در Stan
• 38. ارتباط Stan با زبان‌های برنامه‌نویسی دیگر (R, Python)
• 39. تجزیه و تحلیل حساسیت پارامترها
• 40. مدل‌سازی پیش‌بینی در Stan
• 41. ارزیابی مدل‌های پیش‌بینی
• 42. اعتبارسنجی متقابل مدل‌ها
• 43. استفاده از اعتبارسنجی متقابل در Stan
• 44. روش‌های نمونه‌برداری بیزی پیشرفته
• 45. روش‌های نمونه‌برداری مبتنی بر گرادیان
• 46. روش‌های نمونه‌برداری بر اساس نظریه آشوب
• 47. کاربرد MCMC در بهینه‌سازی
• 48. کاربرد MCMC در یادگیری ماشین
• 49. کاربرد MCMC در علوم زیستی
• 50. کاربرد MCMC در علوم اجتماعی
• 51. کاربرد MCMC در مهندسی
• 52. کاربرد MCMC در مالی
• 53. مقدمه‌ای بر مدل‌سازی آماری بیزی پیشرفته
• 54. مبانی نظری روش‌های بیزی بیزین
• 55. مفاهیم پیشرفته نمونه‌برداری از توزیع‌های پیچیده
• 56. استفاده از توابع تراکم احتمال شرطی (CPDF)
• 57. مدل‌سازی پدیده‌های پیچیده با Stan
• 58. تکنیک‌های پیشرفته در نوشتن مدل‌های Stan
• 59. بهینه‌سازی الگوریتم‌های HMC و NUTS
• 60. تنظیم پارامترهای پیشرفته برای NUTS
• 61. استفاده از پارامترهای تصادفی در مدل‌های سلسله‌مراتبی
• 62. مدل‌سازی روابط پیچیده بین متغیرها
• 63. تحلیل عدم قطعیت در مدل‌های بیزی
• 64. استفاده از ابزارهای بصری برای تحلیل عدم قطعیت
• 65. مدل‌سازی داده‌های پرت و نامتعارف
• 66. روش‌های مقابله با داده‌های نامتعارف در Stan
• 67. تنظیم پارامترهای مدل برای داده‌های نامتعارف
• 68. مدل‌سازی حالت‌های پنهان (Hidden States)
• 69. کاربرد مدل‌های حالت پنهان در Stan
• 70. تنظیم پارامترها در مدل‌های حالت پنهان
• 71. مدل‌سازی شبکه‌های بیزی
• 72. پیاده‌سازی شبکه‌های بیزی در Stan
• 73. تنظیم پارامترهای شبکه‌های بیزی
• 74. روش‌های ارزیابی مدل‌های بیزی پیشرفته
• 75. مقایسه مدل‌های بیزی با مدل‌های فریکونتیستی
• 76. انتخاب مدل مناسب با استفاده از معیارهای بیزی
• 77. استفاده از ابزارهای تشخیصی در Stan
• 78. مدیریت پروژه‌های مدل‌سازی بیزی بزرگ
• 79. همکاری در پروژه‌های مدل‌سازی بیزی
• 80. مستندسازی مدل‌های بیزی
• 81. تفسیر نته نتایج مدل‌سازی بیزی
• 82. کاربرد عملی مدل‌سازی بیزی پیشرفته
• 83. مطالعات موردی در زمینه‌های مختلف
• 84. چالش‌های پیش رو در مدل‌سازی بیزی
• 85. روندهای آینده در مدل‌سازی بیزی و Stan
• 86. توسعه الگوریتم‌های نمونه‌برداری جدید
• 87. استفاده از یادگیری عمیق در مدل‌سازی بیزی
• 88. مدل‌سازی بیزی و هوش مصنوعی
• 89. مباحث پیشرفته در فلسفه علم و آمار بیزی
• 90. نقش آمار بیزی در تحقیقات علمی
• 91. پیشرفت‌های اخیر در نرم‌افزار Stan
• 92. کاربرد Stan در علم داده‌های بزرگ
• 93. آموزش پیشرفته Stan برای متخصصان
• 94. نکات کاربردی برای تنظیم پارامترهای MCMC
• 95. رفع اشکال در مدل‌های پیچیده Stan
• 96. راهنمای جامع برای استفاده از Stan
• 97. اصول حرفه‌ای در مدل‌سازی آماری
• 98. اخلاق در مدل‌سازی آماری بیزی