کتاب بهینه‌سازی فرآیند MCMC با Stan
, ,

کتاب بهینه‌سازی فرآیند MCMC با Stan

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000030295 دسته: , , برچسب: , , , , , , , , ,

📚 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 بهینه‌سازی فرآیند MCMC با 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
  • 2. مقدمه ای بر Stan
  • 3. چرا MCMC را بهینه کنیم؟
  • 4. مفاهیم کلیدی MCMC
  • 5. نمونه‌گیری از توزیع پسین
  • 6. مفهوم احتمال پسین
  • 7. قضیه بیز
  • 8. مدل‌های آماری
  • 9. مشخصات مدل
  • 10. تابع درست‌نمایی
  • 11. توزیع پیشین
  • 12. توزیع پسین
  • 13. مفهوم فضای مدل
  • 14. فضای پارامتر
  • 15. فضای داده
  • 16. مفهوم نمونه‌گیری
  • 17. نمونه‌های MCMC
  • 18. زنجیره مارکوف
  • 19. خاصیت مارکوف
  • 20. خاصیت عدم حافظه
  • 21. حالت ایستای زنجیره
  • 22. همگرایی زنجیره
  • 23. تشخیص همگرایی
  • 24. نمودارهای سری زمانی
  • 25. توابع خودهمبستگی
  • 26. معیارهای همگرایی
  • 27. R-hat
  • 28. Gelman-Rubin statistic
  • 29. Autocorrelation plots
  • 30. Effective Sample Size (ESS)
  • 31. Gelman-Rubin R-hat
  • 32. Brooks-Gelman statistic
  • 33. Geweke diagnostic
  • 34. Heidelberger-Welch diagnostic
  • 35. Splitting chains diagnostic
  • 36. Trace plots
  • 37. Autocorrelation plots
  • 38. Histograms of posterior samples
  • 39. Density plots of posterior samples
  • 40. Visual inspection of convergence
  • 41. Formal convergence diagnostics
  • 42. Burn-in period
  • 43. Thinning
  • 44. Rationale for burn-in
  • 45. Rationale for thinning
  • 46. Impact of burn-in and thinning on efficiency
  • 47. Stan's default settings
  • 48. Understanding Stan's sampler
  • 49. NUTS (No-U-Turn Sampler)
  • 50. Hamiltonian Monte Carlo (HMC)
  • 51. Leapfrog integrator
  • 52. Divergences
  • 53. Step size
  • 54. Number of leapfrog steps
  • 55. Tuning parameters
  • 56. Initial step size
  • 57. Mass matrix
  • 58. Adaptation phase
  • 59. Warm-up phase
  • 60. Sampling phase
  • 61. Interpreting Stan's output
  • 62. Posterior distributions
  • 63. Posterior means
  • 64. Posterior medians
  • 65. Posterior standard deviations
  • 66. Credible intervals
  • 67. Quantiles
  • 68. Mode of the posterior
  • 69. Maximum A Posteriori (MAP) estimation
  • 70. Bayesian inference
  • 71. Model checking
  • 72. Posterior predictive checks
  • 73. Data simulation from posterior predictive distribution
  • 74. Comparing simulated data with observed data
  • 75. Residual analysis
  • 76. Outlier detection
  • 77. Model comparison
  • 78. Bayes Factor
  • 79. WAIC (Widely Applicable Information Criterion)
  • 80. LOO-CV (Leave-One-Out Cross-Validation)
  • 81. Information criteria
  • 82. Model averaging
  • 83. Common pitfalls in MCMC
  • 84. Slow mixing
  • 85. High autocorrelation
  • 86. Gradients issues
  • 87. Numerical precision
  • 88. Computational cost
  • 89. Strategies for optimization
  • 90. Model simplification
  • 91. Feature selection
  • 92. Prior specification
  • 93. Regularization
  • 94. Choice of sampler
  • 95. Tuning HMC parameters
  • 96. Adjusting leapfrog steps
  • 97. Adjusting step size
  • 98. Adjusting mass matrix
  • 99. Using different samplers
  • 100. NUTS variants

📚 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 بهینه‌سازی فرآیند MCMC با Stan”

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

محصولات مشابه

پیمایش به بالا