کتاب بهینه‌سازی اجرای MCMC در Stan

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 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

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بهینه‌سازی اجرای MCMC در 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. مبانی احتمالات و آمار
  • 3. مفاهیم کلیدی در مدل‌سازی آماری
  • 4. مقدمه‌ای بر زنجیره‌های مارکوف
  • 5. فرآیندهای مارکوف و زمان گسسته
  • 6. فرآیندهای مارکوف و زمان پیوسته
  • 7. مقدمه‌ای بر روش‌های مونت کارلو
  • 8. شبیه‌سازی مونت کارلو
  • 9. روش‌های نمونه‌گیری در مونت کارلو
  • 10. مقدمه‌ای بر روش‌های زنجیره مارکوف مونت کارلو (MCMC)
  • 11. نظریه MCMC
  • 12. الگوریتم‌های پایه MCMC
  • 13. الگوریتم Metropolis-Hastings
  • 14. گام‌های الگوریتم Metropolis-Hastings
  • 15. نکات عملی در Metropolis-Hastings
  • 16. الگوریتم نمونه‌گیری از طریق گیبس (Gibbs Sampling)
  • 17. گام‌های نمونه‌گیری از طریق گیبس
  • 18. مزایا و معایب Gibbs Sampling
  • 19. مقایسه Metropolis-Hastings و Gibbs Sampling
  • 20. کانورژانس در MCMC
  • 21. معیارهای تشخیص کانورژانس
  • 22. روش‌های اصلاح کانورژانس
  • 23. تشخیص همگرایی با استفاده از نمودارها
  • 24. تشخیص همگرایی با استفاده از آماره‌های کانورژانس
  • 25. دوره‌های گرمایش (Warm-up Periods)
  • 26. اهمیت دوره‌های گرمایش
  • 27. تنظیم دوره‌های گرمایش
  • 28. نمونه‌گیری از توزیع‌های پیچیده
  • 29. مدل‌های خطی تعمیم‌یافته بیزی
  • 30. مدل‌های سلسله مراتبی بیزی
  • 31. مدل‌های رگرسیون بیزی
  • 32. مدل‌های طبقه‌بندی بیزی
  • 33. مقدمه‌ای بر نرم‌افزار Stan
  • 34. معماری Stan
  • 35. زبان Stan
  • 36. نحو پایه در Stan
  • 37. انواع مدل‌ها در Stan
  • 38. نوشتن مدل‌های ساده در Stan
  • 39. مدل‌های خطی در Stan
  • 40. مدل‌های رگرسیون در Stan
  • 41. مدل‌های طبقه‌بندی در Stan
  • 42. توابع توزیع در Stan
  • 43. توابع شرطی در Stan
  • 44. توابع کمکی در Stan
  • 45. نوشتن مدل‌های پیچیده‌تر در Stan
  • 46. مدل‌های سلسله مراتبی در Stan
  • 47. مدل‌های مکانی در Stan
  • 48. مدل‌های زمانی در Stan
  • 49. بهینه‌سازی اجرای MCMC در Stan
  • 50. تنظیم پارامترهای MCMC در Stan
  • 51. تعداد زنجیره‌ها (Chains)
  • 52. تعداد تکرارها (Iterations)
  • 53. اندازه گام (Step Size)
  • 54. تنظیم پارامترهای Metropolis-Hastings در Stan
  • 55. تنظیم پارامترهای Gibbs Sampling در Stan
  • 56. بهبود کارایی نمونه‌گیری
  • 57. استفاده از نمونه‌گیری با نرخ پذیرش بالا
  • 58. کاهش همبستگی بین نمونه‌ها
  • 59. تکنیک‌های کاهش همبستگی
  • 60. استفاده از متغیرهای کمکی
  • 61. استفاده از تبدیل متغیرها
  • 62. نمونه‌گیری از طریق پروب (Probing Samples)
  • 63. بررسی کیفیت نمونه‌ها
  • 64. تحلیل پسین (Posterior Analysis)
  • 65. نمودارهای توزیع پسین
  • 66. آماره‌های توزیع پسین
  • 67. فاصله‌های اطمینان بیزی
  • 68. اعتبار سنجی مدل
  • 69. اعتبار سنجی متقابل (Cross-validation)
  • 70. بررسی بقایا (Residuals)
  • 71. تشخیص داده‌های پرت (Outliers)
  • 72. مقایسه مدل‌ها
  • 73. معیارهای مقایسه مدل‌ها
  • 74. شاخص اطلاعات بیزی (BIC)
  • 75. شاخص اطلاعات آکائیکه (AIC)
  • 76. شاخص اطلاعات کرایتریون (DIC)
  • 77. کاربرد MCMC در Stan در حوزه‌های مختلف
  • 78. کاربرد در علوم اقتصادی
  • 79. کاربرد در علوم اجتماعی
  • 80. کاربرد در علوم زیستی
  • 81. کاربرد در مهندسی
  • 82. کاربرد در علوم داده
  • 83. مدل‌سازی پیش‌بینی
  • 84. تحلیل حساسیت
  • 85. تفسیر نتایج مدل‌های بیزی
  • 86. ارائه نتایج مدل‌سازی
  • 87. ملاحظات مربوط به اجرای MCMC در Stan
  • 88. مدیریت حافظه
  • 89. زمان محاسباتی
  • 90. استفاده از منابع محاسباتی
  • 91. نکات پیشرفته در Stan
  • 92. توسعه ماژول‌ها در Stan
  • 93. اتصال Stan به زبان‌های دیگر
  • 94. مثال‌های کاربردی از اجرای MCMC در Stan
  • 95. مطالعه موردی ۱: مدل‌سازی داده‌های سری زمانی
  • 96. مطالعه موردی ۲: مدل‌سازی داده‌های مکانی
  • 97. مطالعه موردی ۳: مدل‌سازی داده‌های آزمایشی
  • 98. مطالعه موردی ۴: مدل‌سازی داده‌های نظرسنجی
  • 99. مطالعه موردی ۵: مدل‌سازی داده‌های زیست‌محیطی
  • 100. مباحث تکمیلی در مدل‌سازی بیزی

📚 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.