اپلیکیشن اندرویدی فلش‌کارت آموزشی DAG: افزایش دقت پیش‌بینی با شبکه‌های علّی دوگانه و متغیرهای برون‌زا

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره DAG: افزایش دقت پیش‌بینی با شبکه‌های علّی دوگانه و متغیرهای برون‌زا

موضوع کلی: مدل‌سازی و پیش‌بینی سری‌های زمانی

موضوع میانی: پیش‌بینی سری‌های زمانی پیشرفته با رویکردهای علّی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر سری‌های زمانی: مفاهیم و تعاریف
• 2. انواع داده‌های سری زمانی و کاربردها
• 3. آمار توصیفی سری‌های زمانی: روند، فصلی بودن، نویز
• 4. آزمون ایستایی: بررسی و روش‌های پایدارسازی
• 5. تکنیک‌های هموارسازی: میانگین متحرک و میانگین متحرک نمایی
• 6. مدل‌های ARIMA: شناسایی، تخمین و ارزیابی
• 7. مدل‌های VAR: بررسی ارتباطات چند متغیره
• 8. مقدمه‌ای بر مدل‌سازی علّی: مفاهیم و رویکردها
• 9. علّت و معلول: تمایز و اهمیت در پیش‌بینی
• 10. شبکه‌های بیزی: مفاهیم و کاربردها در مدل‌سازی علّی
• 11. شبکه‌های بیزی دینامیک (DBN): مدل‌سازی علّی در سری‌های زمانی
• 12. محدودیت‌های رویکردهای سنتی در پیش‌بینی سری‌های زمانی
• 13. معرفی متغیرهای برون‌زا: اهمیت و نقش در پیش‌بینی
• 14. مروری بر مقاله DAG: انگیزه‌ها و اهداف
• 15. مفاهیم اساسی شبکه‌های علّی دوگانه (Dual Causal Networks)
• 16. معماری کلی مدل DAG: اجزا و ارتباطات
• 17. شبکه علّی متغیرهای پنهان (Latent Variable Causal Network)
• 18. شبکه علّی سری زمانی (Time Series Causal Network)
• 19. یادگیری ساختار شبکه علّی: الگوریتم‌ها و روش‌ها
• 20. الگوریتم PC: اصول و کاربرد در یادگیری ساختار علّی
• 21. الگوریتم GES: اصول و کاربرد در یادگیری ساختار علّی
• 22. مقیاس‌پذیری الگوریتم‌های یادگیری ساختار علّی
• 23. تخمین پارامترهای شبکه‌های علّی
• 24. روش‌های تخمین پارامتر: حداکثر درست‌نمایی (MLE)
• 25. روش‌های تخمین پارامتر: بیزی
• 26. ارزیابی عملکرد مدل DAG: معیارها و روش‌ها
• 27. معیارهای ارزیابی پیش‌بینی: RMSE، MAE، MAPE
• 28. مقایسه مدل DAG با مدل‌های سنتی: مزایا و معایب
• 29. پیاده‌سازی مدل DAG: ابزارها و کتابخانه‌ها
• 30. پیش‌پردازش داده‌ها برای مدل DAG: نکات کلیدی
• 31. مهندسی ویژگی برای متغیرهای برون‌زا
• 32. انتخاب متغیرهای برون‌زا: روش‌ها و معیارها
• 33. بهینه‌سازی پارامترهای مدل DAG: روش‌های جستجو
• 34. تنظیم هایپرپارامترها: اهمیت و روش‌ها
• 35. مبارزه با بیش‌برازش (Overfitting) در مدل DAG
• 36. regularization: روش‌های جلوگیری از بیش‌برازش
• 37. ارزیابی اعتبار مدل DAG: روش‌های اعتبارسنجی متقابل
• 38. تحلیل حساسیت مدل DAG: بررسی تاثیر متغیرها
• 39. تفسیر نتایج مدل DAG: استخراج دانش از مدل
• 40. کاربرد مدل DAG در پیش‌بینی تقاضا
• 41. کاربرد مدل DAG در پیش‌بینی قیمت سهام
• 42. کاربرد مدل DAG در پیش‌بینی ترافیک
• 43. کاربرد مدل DAG در پیش‌بینی آب و هوا
• 44. کاربرد مدل DAG در تشخیص ناهنجاری در سری‌های زمانی
• 45. مدل‌های DAG با متغیرهای برون‌زای پویا
• 46. مدل‌های DAG برای سری‌های زمانی ناایستا
• 47. ادغام مدل DAG با یادگیری عمیق
• 48. شبکه‌های عصبی بازگشتی (RNN) و مدل DAG
• 49. شبکه‌های عصبی کانولوشنال (CNN) و مدل DAG
• 50. مکانیسم توجه (Attention Mechanism) و مدل DAG
• 51. Transformerها و مدل DAG
• 52. مدل‌های hybrid: ترکیب DAG و روش‌های دیگر
• 53. مدل‌های ensemble: بهبود دقت پیش‌بینی با ترکیب مدل‌ها
• 54. بررسی فرضیات مدل DAG: اعتبار و محدودیت‌ها
• 55. مدل‌های causal inference: ارتباط با مدل DAG
• 56. کاربرد مدل DAG در شبیه‌سازی سری‌های زمانی
• 57. مدل‌سازی سناریو با مدل DAG
• 58. مقدمه‌ای بر داده‌های پانل: مفاهیم و کاربردها
• 59. مدل‌های پانل با اثرات ثابت و تصادفی
• 60. تعمیم مدل DAG به داده‌های پانل
• 61. چالش‌های پیاده‌سازی مدل DAG در دنیای واقعی
• 62. مدیریت داده‌های از دست رفته در مدل DAG
• 63. مقابله با داده‌های پرنویز در مدل DAG
• 64. مقابله با ابهام در مدل DAG
• 65. مقیاس‌بندی مدل DAG برای داده‌های بزرگ
• 66. محاسبات توزیع شده برای مدل DAG
• 67. استفاده از GPU برای تسریع آموزش مدل DAG
• 68. روش‌های موازی‌سازی در پیاده‌سازی مدل DAG
• 69. تفسیرپذیری مدل‌های پیش‌بینی سری‌های زمانی
• 70. روش‌های تفسیرپذیری برای مدل DAG
• 71. ارائه نتایج پیش‌بینی به ذینفعان
• 72. اخلاق در پیش‌بینی سری‌های زمانی
• 73. سوگیری و تبعیض در داده‌ها و مدل‌ها
• 74. مسئولیت‌پذیری در پیش‌بینی سری‌های زمانی
• 75. مفاهیم پیشرفته در شبکه‌های علّی
• 76. یادگیری علّی با داده‌های ناقص
• 77. یادگیری علّی با مداخله
• 78. استنتاج علّی (Causal Inference) با مدل DAG
• 79. آینده پیش‌بینی سری‌های زمانی با شبکه‌های علّی
• 80. ترکیب مدل DAG با سایر روش‌های یادگیری ماشین
• 81. تحقیقات جاری در زمینه مدل‌سازی علّی برای سری‌های زمانی
• 82. مروری بر مقالات جدید در زمینه DAG و سری‌های زمانی
• 83. سخن پایانی و جمع‌بندی دوره
• 84. منابع و مراجع تکمیلی
• 85. مثال‌های عملی: پیش‌بینی فروش با مدل DAG
• 86. مثال‌های عملی: پیش‌بینی مصرف انرژی با مدل DAG
• 87. مثال‌های عملی: پیش‌بینی نرخ ارز با مدل DAG
• 88. کدنویسی مدل DAG در Python با کتابخانه‌های موجود
• 89. ساخت یک pipeline کامل پیش‌بینی با مدل DAG
• 90. بهینه‌سازی کد برای افزایش سرعت و کارایی
• 91. بررسی خطاها و اشکال‌زدایی کد
• 92. نکات و ترفندها برای پیاده‌سازی موفق مدل DAG
• 93. پرسش و پاسخ: رفع ابهامات و سوالات شرکت‌کنندگان
• 94. ارائه پروژه‌های عملی توسط شرکت‌کنندگان
• 95. بازخورد و راهنمایی در مورد پروژه‌ها
• 96. ارزیابی نهایی و صدور گواهی پایان دوره
• 97. مطالعه موردی 1: پیش‌بینی ترافیک با DAG
• 98. مطالعه موردی 2: پیش‌بینی قیمت مسکن با DAG
• 99. مطالعه موردی 3: پیش‌بینی رفتار مشتری با DAG
• 100. مطالعه موردی 4: پیش‌بینی بیماری‌های فصلی با DAG