اپلیکیشن اندرویدی فلش‌کارت آموزشی آزمون علیت گرنجر مقاوم دوگانه مبتنی بر یادگیری عمیق: یک رویکرد نوین برای تحلیل سری‌های زمانی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره آزمون علیت گرنجر مقاوم دوگانه مبتنی بر یادگیری عمیق: یک رویکرد نوین برای تحلیل سری‌های زمانی

موضوع کلی: یادگیری عمیق و داده‌های سری زمانی

موضوع میانی: آزمون‌های علیت گرنجر و روش‌های نوین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر تحلیل سری‌های زمانی
• 2. تعریف سری زمانی و انواع داده‌های سری زمانی
• 3. مفاهیم آماری اساسی در سری‌های زمانی: میانگین، واریانس، کوواریانس
• 4. همبستگی و خودهمبستگی (Autocorrelation)
• 5. تابع خودهمبستگی (ACF) و تابع خودهمبستگی جزئی (PACF)
• 6. مفهوم ایستایی (Stationarity) و اهمیت آن
• 7. آزمون‌های ایستایی: دیکی-فولر تعمیم‌یافته (ADF)
• 8. مدل‌های اتورگرسیو (AR)
• 9. مدل‌های میانگین متحرک (MA)
• 10. مدل‌های اتورگرسیو میانگین متحرک (ARMA)
• 11. مدل‌های ARIMA و SARIMA
• 12. آشنایی با مدل‌های برداری اتورگرسیو (VAR)
• 13. مفهوم علیت در آمار و اقتصادسنجی
• 14. علیت گرنجر: تعریف و شهود
• 15. فرمول‌بندی ریاضی آزمون علیت گرنجر سنتی
• 16. فرضیه‌های صفر و مقابل در آزمون گرنجر
• 17. گام‌های انجام آزمون علیت گرنجر با مدل‌های VAR
• 18. تفسیر نتایج آزمون علیت گرنجر
• 19. محدودیت‌ها و فروض اساسی آزمون گرنجر خطی
• 20. چالش‌های مدل‌سازی روابط غیرخطی با گرنجر سنتی
• 21. تأثیر متغیرهای مخدوش‌کننده (Confounders) بر علیت گرنجر
• 22. کاربردهای علیت گرنجر در علوم مختلف
• 23. مروری بر یادگیری ماشین و شبکه‌های عصبی
• 24. پرسپترون چندلایه (MLP) و توابع فعال‌سازی
• 25. بهینه‌سازی و پس‌انتشار (Backpropagation)
• 26. شبکه‌های عصبی بازگشتی (RNNs): ساختار و عملکرد
• 27. چالش‌های RNNs: ناپدید شدن/انفجار گرادیان
• 28. حافظه بلندمدت کوتاه‌مدت (LSTMs): معماری سلول
• 29. گیت‌های ورودی، فراموشی و خروجی در LSTM
• 30. واحدهای بازگشتی دروازه‌دار (GRUs): معرفی و مقایسه با LSTM
• 31. مزایای LSTM و GRU در مدل‌سازی سری‌های زمانی
• 32. شبکه‌های عصبی کانولوشنی (CNNs) برای سری‌های زمانی (مقدماتی)
• 33. معماری ترانسفورمر (Transformer) و مکانیسم توجه (Attention)
• 34. آماده‌سازی داده‌های سری زمانی برای یادگیری عمیق
• 35. نرمال‌سازی و مقیاس‌بندی داده‌ها
• 36. ایجاد توالی‌ها (Sequencing) و پنجره‌بندی (Windowing)
• 37. انتخاب معماری مناسب برای مسائل سری‌های زمانی
• 38. آموزش مدل‌های یادگیری عمیق: توابع زیان و بهینه‌سازها
• 39. تنظیم فرامترها (Hyperparameter Tuning) در یادگیری عمیق
• 40. پیش‌بینی سری‌های زمانی با مدل‌های DL
• 41. مدل‌سازی وابستگی‌های پیچیده و غیرخطی با DL
• 42. روش‌های جلوگیری از بیش‌برازش (Overfitting) در DL
• 43. ارزیابی مدل‌های یادگیری عمیق برای سری‌های زمانی
• 44. چارچوب‌های برنامه‌نویسی برای DL: TensorFlow و PyTorch
• 45. مقدمه‌ای بر استنباط علّی (Causal Inference)
• 46. چارچوب پیامدهای بالقوه (Potential Outcomes Framework)
• 47. مفاهیم متغیر درمانی (Treatment), نتیجه (Outcome) و مخدوش‌کننده (Confounder)
• 48. استقلال از درمان مشروط به مخدوش‌کننده‌ها (Conditional Independence)
• 49. امتیاز تمایل (Propensity Score): تعریف و کاربرد
• 50. مدل‌سازی امتیاز تمایل با رگرسیون لجستیک
• 51. روش‌های مبتنی بر امتیاز تمایل: تطبیق و وزن‌دهی
• 52. وزن‌دهی وارون احتمال درمان (IPW)
• 53. تخمین‌گرهای مبتنی بر رگرسیون نتیجه (Outcome Regression)
• 54. مشکلات تخمین‌گرهای صرفاً IPW یا OR
• 55. مفهوم پایداری دوگانه (Doubly Robustness): شهود
• 56. ساختار تخمین‌گر مقاوم دوگانه (DR Estimator)
• 57. ویژگی‌های تخمین‌گر مقاوم دوگانه: پایداری و کارایی
• 58. فروض لازم برای پایداری دوگانه
• 59. مثال عددی ساده از تخمین‌گر مقاوم دوگانه
• 60. اهمیت پایداری دوگانه در مسائل با عدم قطعیت مدل‌سازی
• 61. انگیزه ترکیب یادگیری عمیق، پایداری دوگانه و علیت گرنجر
• 62. فرمول‌بندی علیت گرنجر به عنوان یک مسئله استنباط علّی
• 63. تعریف متغیر "درمان" و "نتیجه" در بستر علیت گرنجر
• 64. نقش تأخیرها (Lags) در این فرمول‌بندی
• 65. مدل‌سازی شرطی میانگین (Outcome Regression) با یادگیری عمیق برای علیت گرنجر
• 66. انتخاب معماری DL برای مدل OR در سری‌های زمانی
• 67. مدل‌سازی امتیاز تمایل (Propensity Score) با یادگیری عمیق برای علیت گرنجر
• 68. انتخاب معماری DL برای مدل PS در سری‌های زمانی
• 69. تابع زیان و بهینه‌سازی برای مدل‌های OR و PS در این زمینه
• 70. ساخت تخمین‌گر مقاوم دوگانه برای علیت گرنجر
• 71. مؤلفه‌های اصلی تخمین‌گر DR در آزمون گرنجر
• 72. آزمون فرضیه برای عدم وجود علیت گرنجر
• 73. محاسبه آمار آزمون (Test Statistic)
• 74. خواص مجانبی (Asymptotic Properties) تخمین‌گر DR-DL
• 75. روش بوت‌استرپ (Bootstrap) برای محاسبه مقادیر p-value
• 76. انتخاب نوع بوت‌استرپ مناسب برای سری‌های زمانی (مثلاً بلاک بوت‌استرپ)
• 77. تنظیم پارامترهای بوت‌استرپ
• 78. تحلیل حساسیت (Sensitivity Analysis) نتایج
• 79. مقابله با ابعاد بالا (High-dimensionality) در داده‌های سری زمانی
• 80. مزایای این رویکرد در برابر علیت گرنجر خطی
• 81. مقایسه با سایر روش‌های علیت گرنجر غیرخطی
• 82. چالش‌های محاسباتی و راه‌حل‌ها
• 83. نقش انتخاب معماری DL در دقت و پایداری آزمون
• 84. ملاحظات اخلاقی و تفسیری در نتایج علیت گرنجر
• 85. خلاصه گام‌های پیاده‌سازی آزمون
• 86. آماده‌سازی و پیش‌پردازش جامع داده برای آزمون DR-DL گرنجر
• 87. انتخاب ویژگی‌ها و تأخیرهای بهینه
• 88. تقسیم داده به مجموعه آموزش، اعتبارسنجی و تست
• 89. پیاده‌سازی کد پایتون: بخش مدل‌سازی OR با DL
• 90. پیاده‌سازی کد پایتون: بخش مدل‌سازی PS با DL
• 91. پیاده‌سازی کد پایتون: بخش ساخت تخمین‌گر DR
• 92. پیاده‌سازی کد پایتون: بخش بوت‌استرپ و محاسبه p-value
• 93. مطالعه موردی ۱: کاربرد در داده‌های اقتصادی (مثلاً بازار سهام)
• 94. مطالعه موردی ۲: کاربرد در داده‌های بیولوژیکی (مثلاً سیگنال‌های مغزی)
• 95. مطالعه موردی ۳: کاربرد در داده‌های اقلیمی یا زیست‌محیطی
• 96. مقایسه عملکرد آزمون DR-DL با آزمون‌های سنتی در سناریوهای مختلف
• 97. محدودیت‌های آزمون مقاوم دوگانه مبتنی بر یادگیری عمیق
• 98. توسعه‌ها و جهت‌گیری‌های آینده: علیت گرنجر پیوسته، چندمتغیره
• 99. ابزارهای نرم‌افزاری و کتابخانه‌های مرتبط
• 100. جمع‌بندی دوره و افق‌های پژوهشی