اپلیکیشن اندرویدی فلش‌کارت آموزشی کتاب جامع پیش‌بینی کانفورمال: ضمانت دقت در برآورد اثرات درمانی برای تصمیم‌گیری‌های حساس

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره جامع پیش‌بینی کانفورمال: ضمانت دقت در برآورد اثرات درمانی برای تصمیم‌گیری‌های حساس

موضوع کلی: تحلیل‌های علّی و یادگیری ماشین برای تصمیم‌گیری هوشمندانه

موضوع میانی: پیش‌بینی کانفورمال: چارچوبی قدرتمند برای کمی‌سازی عدم قطعیت در برآورد اثرات درمان

📋 سرفصل‌های دوره

• 1. بخش ۱: مبانی و مقدمات - چرا عدم قطعیت و علیت اهمیت دارند؟
• 2. مقدمه‌ای بر تصمیم‌گیری هوشمندانه مبتنی بر داده
• 3. محدودیت‌های یادگیری ماشین سنتی در پیش‌بینی‌های نقطه‌ای
• 4. اهمیت کمی‌سازی عدم قطعیت در تصمیم‌گیری‌های حساس
• 5. تفاوت همبستگی و علیت: سنگ بنای تحلیل‌های معتبر
• 6. معرفی استنتاج علّی: فراتر از پیش‌بینی
• 7. چرا به چارچوبی برای ضمانت دقت نیاز داریم؟
• 8. معرفی دوره: نقشه راه یادگیری پیش‌بینی کانفورمال برای اثرات درمانی
• 9. مفهوم نتایج بالقوه (Potential Outcomes): چارچوب روبین
• 10. مسئله بنیادین استنتاج علّی
• 11. اثر درمانی میانگین (ATE): تعریف و شهود
• 12. اثر درمانی میانگین برای درمان‌شدگان (ATT)
• 13. اثر درمانی ناهمگون (Heterogeneous Treatment Effects)
• 14. معرفی اثر درمانی میانگین شرطی (CATE)
• 15. معرفی اثر درمانی فردی (ITE)
• 16. داده‌های مشاهداتی در مقابل داده‌های آزمایش تصادفی کنترل‌شده (RCT)
• 17. چالش متغیرهای مخدوش‌گر (Confounders) و نحوه شناسایی آن‌ها
• 18. فرضیات کلیدی در استنتاج علّی: SUTVA, Ignorability, Positivity
• 19. مروری بر روش‌های کلاسیک برآورد اثر درمانی (Matching, IPW, Regression)
• 20. نقش یادگیری ماشین در برآورد اثرات درمانی ناهمگون
• 21. بخش ۲: آشنایی عمیق با پیش‌بینی کانفورمال (Conformal Prediction)
• 22. پیش‌بینی کانفورمال چیست؟ یک شهود اولیه برای کمی‌سازی عدم قطعیت
• 23. اصل کلیدی: قابلیت تعویض‌پذیری داده‌ها (Exchangeability)
• 24. مفهوم امتیاز انطباق (Conformity Score) و نقش آن
• 25. محاسبه p-value تجربی در چارچوب کانفورمال
• 26. از p-value تا ساخت مجموعه‌های پیش‌بینی (Prediction Sets)
• 27. ضمانت پوشش حاشیه‌ای (Marginal Coverage Guarantee): قول اصلی پیش‌بینی کانفورمال
• 28. پیش‌بینی کانفورمال کامل (Full Conformal Prediction) و چالش‌های محاسباتی آن
• 29. پیش‌بینی کانفورمال استقرایی یا تقسیمی (Inductive/Split Conformal Prediction)
• 30. نقش و اهمیت مجموعه کالیبراسیون (Calibration Set)
• 31. انتخاب تابع امتیاز انطباق مناسب برای مدل‌های مختلف
• 32. پیش‌بینی کانفورمال برای مسائل رگرسیون: ساخت بازه‌های پیش‌بینی
• 33. پیش‌بینی کانفورمال برای مسائل طبقه‌بندی: ساخت مجموعه‌های پیش‌بینی
• 34. اعتبار (Validity) و کارایی (Efficiency) در پیش‌بینی کانفورمال
• 35. کالیبراسیون مدل‌ها و ارتباط آن با پیش‌بینی کانفورمال
• 36. فراتر از پوشش حاشیه‌ای: مفهوم پوشش شرطی (Conditional Coverage)
• 37. بخش ۳: ادغام یادگیری ماشین و استنتاج علّی
• 38. استفاده از مدل‌های یادگیری ماشین برای برآورد توابع پاسخ شرطی
• 39. متا-یادگیرنده‌ها (Meta-Learners): رویکردی منعطف برای برآورد CATE
• 40. S-Learner: سادگی و محدودیت‌ها
• 41. T-Learner: مدلسازی جداگانه گروه‌های درمان و کنترل
• 42. X-Learner: رویکردی دو مرحله‌ای برای برآورد دقیق‌تر CATE
• 43. R-Learner: تمرکز بر اثر درمانی با استفاده از روش رابینسون
• 44. جنگل‌های علّی (Causal Forests): برآورد ناپارامتریک CATE
• 45. چالش برآورد عدم قطعیت برای برآوردگرهای CATE
• 46. چرا خطای استاندارد کلاسیک برای برآوردگرهای CATE کافی نیست؟
• 47. نیاز به یک چارچوب توزیع-آزاد (Distribution-Free) برای عدم قطعیت CATE
• 48. بخش ۴: رویه‌های پیش‌بینی کانفورمال برای برآورد اثرات درمانی
• 49. ادغام پیش‌بینی کانفورمال و استنتاج علّی: ایده اصلی
• 50. هدف: ساخت بازه‌های پیش‌بینی معتبر برای اثرات درمانی فردی (ITE)
• 51. امتیاز انطباق برای باقیمانده‌های مدل‌های درمان و کنترل
• 52. روش استاندارد کانفورمال برای T-Learner
• 53. کانفورمال کردن خروجی X-Learner برای بازه‌های بهینه‌تر
• 54. روش‌های مبتنی بر شبه-نتیجه (Pseudo-outcome) و کانفورمال کردن آن‌ها
• 55. پیش‌بینی کانفورمال وزنی (Weighted Conformal Prediction) برای داده‌های مشاهداتی
• 56. استفاده از امتیاز تمایل (Propensity Score) در تعریف امتیاز انطباق
• 57. ساخت بازه‌های پیش‌بینی برای CATE با پوشش تضمین‌شده
• 58. تفسیر بازه‌های پیش‌بینی کانفورمال برای اثرات درمانی
• 59. روش Conformalized CATE (CCATE)
• 60. ارزیابی عملکرد بازه‌های پیش‌بینی: طول متوسط و پوشش تجربی
• 61. مقایسه روش‌های مختلف کانفورمال برای برآورد اثر درمانی
• 62. ملاحظات عملی در انتخاب سطح اطمینان (α)
• 63. پیش‌بینی کانفورمال برای سیاست‌های درمانی (Treatment Policies)
• 64. بخش ۵: موضوعات پیشرفته و چالش‌ها
• 65. مقابله با نقض فرضیه همپوشانی (Overlap)
• 66. حساسیت به مخدوش‌گرهای پنهان (Hidden Confounders)
• 67. چالش دستیابی به پوشش شرطی (Conditional Coverage) برای CATE
• 68. روش‌های پیشرفته برای بهبود کارایی (کاهش طول بازه‌ها)
• 69. پیش‌بینی کانفورمال برای درمان‌های چندگانه (Multiple Treatments)
• 70. پیش‌بینی کانفورمال برای درمان‌های پیوسته (Continuous Treatments)
• 71. مقابله با تغییر توزیع (Covariate Shift) بین داده‌های آموزشی و آزمون
• 72. پیش‌بینی کانفورمال برای داده‌های سری زمانی و علیت پویا
• 73. ملاحظات انصاف (Fairness) در برآورد اثرات درمانی کانفورمال
• 74. تأثیر انتخاب مدل پایه (Base Learner) بر نتایج کانفورمال
• 75. بهینه‌سازی محاسباتی رویه‌های کانفورمال برای داده‌های بزرگ
• 76. تفسیرپذیری بازه‌های کانفورمال و ارائه نتایج به ذی‌نفعان
• 77. پیش‌بینی کانفورمال تطبیقی (Adaptive Conformal Prediction)
• 78. مدیریت داده‌های گمشده (Missing Data) در چارچوب علّی کانفورمال
• 79. ترکیب پیش‌بینی کانفورمال با روش‌های یادگیری تقویتی برای تصمیم‌گیری بهینه
• 80. بخش ۶: پیاده‌سازی عملی و مطالعات موردی
• 81. معرفی کتابخانه‌های پایتون برای پیش‌بینی کانفورمال (MAPIE, nonconformist)
• 82. معرفی کتابخانه‌های پایتون برای استنتاج علّی (EconML, CausalML)
• 83. پیاده‌سازی گام‌به‌گام Split Conformal برای یک مدل رگرسیون ساده
• 84. پیاده‌سازی یک T-Learner و کانفورمال کردن خروجی آن در پایتون
• 85. پیاده‌سازی یک X-Learner کانفورمال برای برآورد بازه‌های CATE
• 86. مطالعه موردی ۱: پیش‌بینی پاسخ بیمار به دارو (پزشکی شخصی‌سازی‌شده)
• 87. مطالعه موردی ۲: تخمین اثربخشی یک کمپین بازاریابی و شخصی‌سازی پیشنهادات
• 88. مطالعه موردی ۳: ارزیابی تأثیر یک سیاست آموزشی بر عملکرد دانش‌آموزان
• 89. نحوه ارزیابی و گزارش نتایج یک تحلیل علّی کانفورمال
• 90. اشتباهات رایج در پیاده‌سازی و تفسیر نتایج
• 91. نکات و ترفندهای عملی برای استفاده مؤثر از پیش‌بینی کانفورمال
• 92. نگاهی به آینده: روندهای نوظهور در استنتاج علّی کانفورمال
• 93. چگونه عدم قطعیت را در فرآیندهای تصمیم‌گیری سازمانی ادغام کنیم
• 94. پروژه نهایی: حل یک مسئله واقعی با استفاده از ابزارهای آموخته‌شده
• 95. جمع‌بندی دوره: تلفیق دانش برای تصمیم‌گیری‌های هوشمندانه و قابل اعتماد