سپنتا کتاب اکسپرس
کتاب راهنمای جامع برای تنظیم MCMC در Stan

کتاب راهنمای جامع برای تنظیم 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 راهنمای جامع برای تنظیم 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. مفاهیم اساسی احتمالات و آمار
  • 3. توزیع‌های احتمال گسسته و پیوسته
  • 4. آمار توصیفی و استنباطی
  • 5. مقدمه‌ای بر زنجیره‌های مارکوف
  • 6. فرآیندهای مارکوف زمان گسسته
  • 7. فرآیندهای مارکوف زمان پیوسته
  • 8. مفهوم حالت پایدار در زنجیره‌های مارکوف
  • 9. مقدمه‌ای بر نمونه‌گیری زنجیره مارکوف (MCMC)
  • 10. نیاز به MCMC در مدل‌سازی بیزی
  • 11. مفاهیم اساسی مدل‌سازی بیزی
  • 12. قضیه بیز و کاربردهای آن
  • 13. تابع درست‌نمایی و تابع پیشین
  • 14. تابع پسین و تفسیر آن
  • 15. اهمیت توزیع پسین
  • 16. روش‌های تحلیلی برای تخمین توزیع پسین
  • 17. چالش‌های تخمین توزیع پسین
  • 18. معرفی الگوریتم‌های MCMC
  • 19. هدف الگوریتم‌های MCMC
  • 20. اصول نمونه‌گیری از توزیع پسین
  • 21. روش نمونه‌گیری عیار (Gibbs Sampling)
  • 22. مراحل اجرای نمونه‌گیری عیار
  • 23. مزایا و معایب نمونه‌گیری عیار
  • 24. روش گام‌به‌گام پذیرش (Metropolis-Hastings Algorithm)
  • 25. مراحل اجرای Metropolis-Hastings
  • 26. تابع پیش‌نهادگر و اهمیت آن
  • 27. انتخاب تابع پیش‌نهادگر مناسب
  • 28. روش Metropolis Algorithm
  • 29. تفاوت Metropolis با Metropolis-Hastings
  • 30. معرفی نرم‌افزار Stan
  • 31. مقدمه‌ای بر زبان برنامه‌نویسی Stan
  • 32. سینتکس پایه Stan
  • 33. ساختار یک مدل در Stan
  • 34. تعریف متغیرها و پارامترها در Stan
  • 35. تعریف توزیع‌ها در Stan
  • 36. نوشتن توابع سفارشی در Stan
  • 37. نمونه‌گیری از توزیع‌های رایج در Stan
  • 38. فراخوانی Stan از R
  • 39. فراخوانی Stan از Python
  • 40. مقدمه‌ای بر تنظیم MCMC
  • 41. اهمیت تنظیم پارامترهای MCMC
  • 42. تشخیص همگرایی الگوریتم‌های MCMC
  • 43. معیارهای بصری همگرایی
  • 44. نمودارهایtrace plot
  • 45. نمودارهای autocorrelation plot
  • 46. معیارهای کمی همگرایی
  • 47. معیار R-hat (Gelman-Rubin statistic)
  • 48. تفسیر مقادیر R-hat
  • 49. معیارهای تشخیص عدم همگرایی
  • 50. راه‌کارهای بهبود همگرایی
  • 51. افزایش تعداد تکرارها
  • 52. تغییر تابع پیش‌نهادگر
  • 53. استفاده از نمونه‌گیری عیار
  • 54. تنظیم پارامترهای گام Metropolis-Hastings
  • 55. تنظیم اندازه گام
  • 56. تنظیم تابع پیش‌نهادگر
  • 57. بهینه‌سازی پارامترهای MCMC
  • 58. تنظیمات مربوط به زنجیره‌ها
  • 59. تعداد زنجیره‌ها
  • 60. طول زنجیره‌ها
  • 61. گرم کردن (Warm-up) زنجیره‌ها
  • 62. تنظیمات مربوط به نمونه‌گیری
  • 63. تعداد نمونه‌ها
  • 64. نمونه‌گیری پس از گرم کردن
  • 65. بررسی کیفیت نمونه‌ها
  • 66. اندازه‌گیری کارایی نمونه‌گیری
  • 67. نرخ پذیرش (Acceptance Rate)
  • 68. تفسیر نرخ پذیرش
  • 69. ارتباط نرخ پذیرش با اندازه گام
  • 70. تنظیم اندازه گام بر اساس نرخ پذیرش
  • 71. تنظیمات پیشرفته در Stan
  • 72. استفاده از الگوریتم‌های نمونه‌گیری متنوع
  • 73. NUTS (No-U-Turn Sampler)
  • 74. مقدمه‌ای بر NUTS
  • 75. مزایای NUTS
  • 76. تنظیمات NUTS
  • 77. استفاده از HMC (Hamiltonian Monte Carlo)
  • 78. مقدمه‌ای بر HMC
  • 79. تفاوت HMC با NUTS
  • 80. تنظیمات HMC
  • 81. بررسی خطاهای رایج در Stan
  • 82. خطاهای کامپایل
  • 83. خطاهای زمان اجرا
  • 84. خطاهای مربوط به همگرایی
  • 85. نکات عملی برای مدل‌سازی
  • 86. طراحی مدل مناسب
  • 87. اعتبارسنجی مدل
  • 88. مقایسه مدل‌های مختلف
  • 89. تجسم نتایج مدل‌سازی
  • 90. تفسیر پارامترهای تخمین‌زده شده
  • 91. تحلیل عدم قطعیت
  • 92. کاربرد MCMC در حوزه‌های مختلف
  • 93. مدل‌سازی اقتصادسنجی
  • 94. مدل‌سازی زیست‌شناسی آماری
  • 95. مدل‌سازی علوم اجتماعی
  • 96. مدل‌سازی ریسک مالی
  • 97. مدل‌سازی در حوزه بهداشت و درمان
  • 98. مدل‌سازی پیش‌بینی در سیستم‌های پیچیده
  • 99. مثال‌های کاربردی MCMC در Stan
  • 100. پیاده‌سازی یک مدل خطی بیزی در Stan

📚 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.