, ,

کتاب تنظیم پارامترهای MCMC برای Stan

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب تنظیم پارامترهای MCMC برای Stan

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

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه ای بر MCMC و Stan
  • 2. چرا MCMC؟
  • 3. مبانی نمونه برداری مارکوف چین (MCMC)
  • 4. مفاهیم کلیدی MCMC: زنجیره مارکوف، حالت پایدار، همگرایی
  • 5. معرفی Stan: زبان مدل سازی احتمالاتی
  • 6. مزایای استفاده از Stan برای MCMC
  • 7. مبانی مدل سازی احتمالاتی در Stan
  • 8. فرمولی کردن مدل های آماری
  • 9. تعریف متغیرهای مدل
  • 10. تعریف توابع احتمال (likelihood)
  • 11. تعریف احتمالات پیشین (prior)
  • 12. نکات مهم در انتخاب احتمالات پیشین
  • 13. اهمیت انتخاب توابع احتمال مناسب
  • 14. معرفی الگوریتم های نمونه برداری در Stan
  • 15. Hybrid Monte Carlo (HMC)
  • 16. No-U-Turn Sampler (NUTS)
  • 17. مبانی HMC
  • 18. گرادیان ها و انرژی در HMC
  • 19. تنظیم پارامترهای HMC
  • 20. گام زمانی (stepsize)
  • 21. تعداد گام ها (number of steps)
  • 22. تنظیم گام زمانی: اهمیت و روش ها
  • 23. تنظیم تعداد گام ها: اهمیت و روش ها
  • 24. مشکلات رایج در HMC
  • 25. تأثیر گام زمانی نامناسب
  • 26. تأثیر تعداد گام های نامناسب
  • 27. راهنمایی برای تنظیم پارامترهای HMC
  • 28. مبانی NUTS
  • 29. تفاوت NUTS با HMC
  • 30. مزایای NUTS
  • 31. مبانی تنظیم پارامترهای NUTS
  • 32. طول مسیر (path length)
  • 33. تعداد تکرارها (number of iterations)
  • 34. تأثیر طول مسیر نامناسب
  • 35. تأثیر تعداد تکرارها نامناسب
  • 36. راهنمایی برای تنظیم پارامترهای NUTS
  • 37. ارزیابی کیفیت نمونه ها
  • 38. مفهوم همگرایی (convergence)
  • 39. تشخیص عدم همگرایی
  • 40. شاخص های همگرایی
  • 41. R-hat (Gelman-Rubin statistic)
  • 42. Effective Sample Size (ESS)
  • 43. Autocorrelation plots
  • 44. Trace plots
  • 45. Divergent transitions
  • 46. مفهوم "divergent transitions"
  • 47. دلایل بروز divergent transitions
  • 48. چگونه با divergent transitions برخورد کنیم
  • 49. تنظیم پارامترهای Stan برای کاهش divergent transitions
  • 50. افزایش تعداد chain ها
  • 51. کاهش گام زمانی
  • 52. تنظیمات پیشرفته NUTS
  • 53. کاهش پارامترهای مدل
  • 54. ساده سازی مدل
  • 55. استفاده از احتمالات پیشین مناسب
  • 56. تنظیم پارامترهای Stan به صورت کلی
  • 57. تعداد chain ها (chains)
  • 58. تعداد تکرارها در هر chain (iter)
  • 59. تعداد گام های warm-up (warmup)
  • 60. تعداد نمونه های پس از warm-up (samples)
  • 61. اهمیت انتخاب تعداد chain ها
  • 62. اهمیت انتخاب تعداد تکرارها
  • 63. اهمیت انتخاب تعداد گام های warm-up
  • 64. اهمیت انتخاب تعداد نمونه ها
  • 65. تنظیم پارامترهای نمونه برداری در Stan
  • 66. `adapt_delta`
  • 67. `max_treedepth`
  • 68. `stepsize`
  • 69. `num_samples`
  • 70. `num_warmup`
  • 71. `num_chains`
  • 72. `refresh`
  • 73. `seed`
  • 74. `save_warmup`
  • 75. `diagnostic_file`
  • 76. `cmdstan_path`
  • 77. `include_paths`
  • 78. `output_dir`
  • 79. `sig_digits`
  • 80. `approx_grad`
  • 81. `init_r`
  • 82. `adapt_init_alpha`
  • 83. `adapt_engaged`
  • 84. `adapt_gamma`
  • 85. `adapt_kappa`
  • 86. `adapt_metric`
  • 87. `adapt_reset`
  • 88. `adapt_window`
  • 89. `adapt_delta` و تأثیر آن بر HMC/NUTS
  • 90. `max_treedepth` و تأثیر آن بر HMC/NUTS
  • 91. `stepsize` (یا `adapt_delta` برای تنظیم گام زمانی)
  • 92. `num_samples` و رابطه آن با ESS
  • 93. `num_warmup` و اهمیت آن برای همگرایی
  • 94. `num_chains` و نقش آن در ارزیابی همگرایی
  • 95. `refresh` برای مشاهده پیشرفت
  • 96. `seed` برای تکرارپذیری
  • 97. `save_warmup` برای تحلیل مراحل اولیه
  • 98. `diagnostic_file` برای ذخیره اطلاعات تشخیصی
  • 99. `cmdstan_path` و نحوه استفاده از آن
  • 100. `include_paths` برای مدل های پیچیده

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .


ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب تنظیم پارامترهای MCMC برای Stan”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا