اپلیکیشن اندرویدی فلش‌کارت آموزشی RoBART: استنتاج نیمه‌پارامتری مقاوم برای درخت‌های رگرسیون افزودنی بیزی و تحلیل داده‌های گمشده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره RoBART: استنتاج نیمه‌پارامتری مقاوم برای درخت‌های رگرسیون افزودنی بیزی و تحلیل داده‌های گمشده

موضوع کلی: آمار و یادگیری ماشین

موضوع میانی: مدل‌سازی بیزی و روش‌های درخت تصمیم

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر آمار و یادگیری ماشین
• 2. انواع یادگیری در ماشین: نظارت‌شده، بی‌نظارت، تقویتی
• 3. رگرسیون خطی: مفاهیم پایه و فروض
• 4. مقدمه‌ای بر مدل‌سازی بیزی
• 5. قضیه بیز و اجزای آن: پیشین، درست‌نمایی، پسین
• 6. انتخاب توزیع‌های پیشین متداول در مدل‌سازی بیزی
• 7. مقدمه‌ای بر استنتاج بیزی و نمونه‌برداری از توزیع پسین
• 8. روش‌های مونت‌کارلو زنجیره مارکوف (MCMC)
• 9. الگوریتم‌های متداول MCMC: متروپلیس-هاستینگز
• 10. الگوریتم نمونه‌بردار گیبس و کاربردهای آن
• 11. بررسی همگرایی زنجیره‌های MCMC و معیارهای تشخیص آن
• 12. درخت‌های تصمیم برای رگرسیون: اصول و ساختار
• 13. الگوریتم CART (Classification and Regression Trees)
• 14. معیارهای تقسیم‌بندی در گره‌های درخت رگرسیون
• 15. هرس درخت‌های تصمیم برای جلوگیری از بیش‌برازش
• 16. محدودیت‌ها و چالش‌های درخت‌های تصمیم منفرد
• 17. مفهوم یادگیری گروهی (Ensemble Learning)
• 18. روش Bagging و ایده پشت آن
• 19. جنگل‌های تصادفی (Random Forests): ساختار و عملکرد
• 20. روش‌های Boosting: گرادیان بوستینگ
• 21. ترکیب مدل‌های پایه ضعیف برای ساخت مدل‌های قوی‌تر
• 22. معرفی درخت‌های رگرسیون افزودنی بیزی (BART)
• 23. BART به عنوان مدل جمع درختان رگرسیون
• 24. معماری مدل BART: مجموع درختان ناپارامتری
• 25. فروض پیشین سلسله‌مراتبی بر ساختار درختان در BART
• 26. فروض پیشین بر روی مقادیر برگ‌های درختان در BART
• 27. فروض پیشین بر واریانس خطا (توزیع نرمال) در BART
• 28. الگوریتم MCMC برای استنتاج پسین در BART
• 29. گام‌های نمونه‌برداری از ساختار درختان (Tree Proposal)
• 30. نمونه‌برداری از مقادیر برگ‌ها در هر تکرار MCMC
• 31. نمونه‌برداری از واریانس خطا در مدل BART
• 32. پیاده‌سازی BART در R/Python: پکیج `BART` و `dbarts`
• 33. تفسیر نتایج مدل BART و اهمیت متغیرها
• 34. توابع پاسخ جزئی (Partial Dependence Plots) در BART
• 35. مزایا و قدرت پیش‌بینی مدل BART
• 36. محدودیت‌های BART کلاسیک: فروض توزیعی
• 37. کاربردهای BART در مسائل رگرسیون پیوسته
• 38. BART برای مسائل دسته‌بندی (Classification BART)
• 39. مدل‌های پارامتری در مقابل ناپارامتری: تعاریف و تفاوت‌ها
• 40. مقدمه‌ای بر مدل‌های نیمه‌پارامتری
• 41. مزایای مدل‌های نیمه‌پارامتری در انعطاف‌پذیری و تفسیرپذیری
• 42. اجزای پارامتری: مدل‌های خطی و خطی تعمیم‌یافته
• 43. اجزای ناپارامتری: توابع هموارسازی و درختان
• 44. مثال‌هایی از مدل‌های نیمه‌پارامتری در عمل
• 45. ترکیب BART با اجزای خطی صریح
• 46. استنتاج در مدل‌های نیمه‌پارامتری بیزی
• 47. اهمیت انتخاب مناسب اجزای پارامتری و ناپارامتری
• 48. مفهوم مقاومت (Robustness) در آمار و یادگیری ماشین
• 49. داده‌های پرت (Outliers) و تأثیر آن‌ها بر استنتاج
• 50. انواع داده‌های پرت: در متغیر پاسخ و متغیرهای پیش‌بین
• 51. فروض توزیعی مدل و تأثیر عدم پایبندی به آن‌ها
• 52. تخمین‌گرهای مقاوم: میانگین بریده، میانه
• 53. توزیع‌های خطای مقاوم: توزیع t استیودنت
• 54. نقش پارامتر آزادی (Degrees of Freedom) در توزیع t
• 55. توابع زیان مقاوم (Robust Loss Functions)
• 56. رگرسیون مقاوم: رگرسیون M-استیمیتور
• 57. تشخیص داده‌های پرت و نقاط با اهرم بالا (Leverage Points)
• 58. معیارهای تأثیر (Influence Measures) برای شناسایی نقاط مشکل‌ساز
• 59. روش‌های مقیاس‌گذاری مقاوم در آمار
• 60. معرفی RoBART: استنتاج نیمه‌پارامتری مقاوم برای BART
• 61. انگیزه توسعه RoBART: غلبه بر حساسیت BART به داده‌های پرت
• 62. مدل خطای مقاوم در RoBART: جایگزینی نرمال با توزیع t استیودنت
• 63. استنتاج بیزی برای پارامتر آزادی توزیع t در RoBART
• 64. ترکیب جزء پارامتری (اثرات خطی) با مدل BART در RoBART
• 65. تعریف و فرمول‌بندی مدل نیمه‌پارامتری RoBART
• 66. الگوریتم MCMC توسعه‌یافته برای استنتاج RoBART
• 67. گام‌های نمونه‌برداری مختص به پارامتر آزادی در MCMC
• 68. گام‌های نمونه‌برداری مختص به ضرایب جزء پارامتری
• 69. پیاده‌سازی RoBART: جزئیات فنی و ملاحظات محاسباتی
• 70. مقایسه عملکرد RoBART با BART استاندارد در حضور داده‌های پرت
• 71. مطالعه موارد کاربردی برای نشان دادن مقاومت RoBART
• 72. مزایای RoBART در تحلیل داده‌های پیچیده و نویزی
• 73. تحلیل حساسیت به فروض پیشین در مدل RoBART
• 74. مقدمه‌ای بر داده‌های گمشده و اهمیت تحلیل آن‌ها
• 75. مکانیزم‌های داده‌های گمشده: MCAR, MAR, MNAR
• 76. تأثیر داده‌های گمشده بر سوگیری و کارایی تخمین‌ها
• 77. روش‌های حذف (Deletion Methods): حذف فهرست و حذف جفتی
• 78. روش‌های ساده جایگزینی (Imputation): میانگین، میانه، مُد
• 79. جایگزینی چندگانه (Multiple Imputation) و ایده مرکزی آن
• 80. زنجیره‌های مارکوف مونت‌کارلو برای جایگزینی چندگانه
• 81. مدل‌های جایگزینی برای داده‌های پیوسته و گسسته
• 82. استفاده از مدل‌های رگرسیونی برای جایگزینی داده‌ها
• 83. ارزیابی کیفیت جایگزینی و تشخیص سوگیری
• 84. ادغام RoBART با چارچوب جایگزینی چندگانه
• 85. RoBART به عنوان مدل جایگزین‌کننده (Imputer) قدرتمند
• 86. استنتاج توزیع پسین برای داده‌های گمشده با استفاده از RoBART
• 87. الگوریتم MCMC برای جایگزینی داده‌های گمشده با RoBART
• 88. ملاحظات محاسباتی در جایگزینی داده‌های گمشده با RoBART
• 89. مزایای رویکرد RoBART برای تحلیل داده‌های گمشده (Robust Imputation)
• 90. مقایسه RoBART به عنوان جایگزین‌کننده با سایر روش‌های پیشرفته
• 91. سناریوهای عملی استفاده از RoBART در داده‌های گمشده
• 92. ارزیابی مدل‌های رگرسیون: R-squared, MAE, RMSE
• 93. اعتبارسنجی متقابل (Cross-validation) و بوت‌استرپ در ارزیابی مدل
• 94. معیارهای ارزیابی مدل‌های بیزی: DIC, WAIC, LOO-CV
• 95. مصورسازی نتایج و پارامترهای مدل RoBART
• 96. مقایسه RoBART با سایر مدل‌های مقاوم و نیمه‌پارامتری پیشرفته
• 97. چالش‌ها و محدودیت‌های کنونی RoBART و زمینه‌های بهبود
• 98. RoBART برای داده‌های طولی و پانل: توسعه و کاربرد
• 99. مروری بر نرم‌افزارهای تخصصی و ابزارهای مرتبط با RoBART
• 100. جهت‌گیری‌های آینده در توسعه RoBART و مدل‌های مشابه