اپلیکیشن اندرویدی فلش‌کارت آموزشی PREIG: یادگیری عمیق مفسرپذیر با قوانین اقتصادی برای پیش‌بینی دقیق تقاضا

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره PREIG: یادگیری عمیق مفسرپذیر با قوانین اقتصادی برای پیش‌بینی دقیق تقاضا

موضوع کلی: یادگیری عمیق برای پیش‌بینی‌های اقتصادی

موضوع میانی: پیش‌بینی سری‌های زمانی اقتصادی با یادگیری عمیق مفسرپذیر

📋 سرفصل‌های دوره

• 1. مبانی اقتصاد و سری‌های زمانی
• 2. آشنایی با سری‌های زمانی اقتصادی و ویژگی‌های آن‌ها
• 3. مفاهیم پایه اقتصاد: تقاضا، عرضه، قیمت
• 4. عوامل موثر بر تقاضا: درآمد، جمعیت، قیمت کالاهای مرتبط
• 5. مبانی آمار و احتمال برای تحلیل سری‌های زمانی
• 6. مقدمه‌ای بر رگرسیون خطی و کاربردهای آن در پیش‌بینی
• 7. آشنایی با مفاهیم یادگیری ماشین
• 8. انواع یادگیری ماشین: نظارت شده، بدون نظارت، تقویتی
• 9. مقدمه‌ای بر شبکه‌های عصبی
• 10. شبکه‌های عصبی پیش‌خور (Feedforward Neural Networks)
• 11. توابع فعال‌سازی و نقش آن‌ها در شبکه‌های عصبی
• 12. بهینه‌سازی گرادیان کاهشی و روش‌های آن
• 13. مبانی یادگیری عمیق
• 14. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks)
• 15. شبکه‌های حافظه کوتاه‌مدت بلند (LSTM)
• 16. واحد دروازه‌دار بازگشتی (GRU)
• 17. معماری GRU و نحوه عملکرد آن
• 18. مزایای GRU نسبت به LSTM و RNN سنتی
• 19. مبانی مفسرپذیری در یادگیری عمیق
• 20. اهمیت مفسرپذیری در پیش‌بینی‌های اقتصادی
• 21. روش‌های مفسرپذیری مدل‌های یادگیری عمیق
• 22. مقدمه‌ای بر PREIG: Physics-informed and Reinforcement-driven Interpretable GRU
• 23. تشریح معماری PREIG
• 24. اجزای اصلی PREIG: GRU، لایه‌های آگاه از فیزیک، عامل تقویتی
• 25. یکپارچه‌سازی دانش فیزیکی (قوانین اقتصادی) در مدل
• 26. نمایش قوانین اقتصادی به صورت ریاضی
• 27. نحوه تزریق قوانین اقتصادی در لایه‌های آگاه از فیزیک
• 28. مزایای استفاده از دانش فیزیکی در پیش‌بینی تقاضا
• 29. یادگیری تقویتی (Reinforcement Learning)
• 30. مبانی یادگیری تقویتی: عامل، محیط، پاداش، عمل
• 31. الگوریتم‌های یادگیری تقویتی: Q-Learning, SARSA, Deep Q-Network (DQN)
• 32. استفاده از یادگیری تقویتی برای بهینه‌سازی پارامترهای PREIG
• 33. طراحی تابع پاداش برای یادگیری تقویتی در PREIG
• 34. آماده‌سازی داده‌های سری زمانی اقتصادی
• 35. جمع‌آوری و پاکسازی داده‌ها
• 36. مهندسی ویژگی (Feature Engineering) برای سری‌های زمانی
• 37. نرمال‌سازی و استانداردسازی داده‌ها
• 38. تقسیم داده‌ها به مجموعه‌های آموزش، اعتبارسنجی و تست
• 39. پیاده‌سازی GRU با استفاده از TensorFlow یا PyTorch
• 40. ساخت مدل GRU پایه
• 41. آموزش و ارزیابی مدل GRU پایه
• 42. پیاده‌سازی لایه‌های آگاه از فیزیک (Physics-informed Layers)
• 43. ساخت توابع مربوط به قوانین اقتصادی در TensorFlow یا PyTorch
• 44. یکپارچه‌سازی قوانین اقتصادی در معماری GRU
• 45. پیاده‌سازی عامل یادگیری تقویتی (Reinforcement Learning Agent)
• 46. ساخت محیط یادگیری تقویتی برای بهینه‌سازی PREIG
• 47. پیاده‌سازی الگوریتم DQN یا سایر الگوریتم‌های یادگیری تقویتی
• 48. آموزش PREIG با استفاده از یادگیری تقویتی
• 49. تنظیم پارامترهای PREIG: نرخ یادگیری، تعداد لایه‌ها، تعداد نورون‌ها
• 50. بررسی عملکرد مدل PREIG در مجموعه اعتبارسنجی
• 51. بهینه‌سازی هایپرپارامترها با استفاده از روش‌های مختلف
• 52. ارزیابی عملکرد مدل PREIG
• 53. معیارهای ارزیابی پیش‌بینی سری‌های زمانی: RMSE, MAE, MAPE
• 54. مقایسه عملکرد PREIG با مدل‌های پایه (GRU, LSTM, ARIMA)
• 55. تحلیل مفسرپذیری مدل PREIG
• 56. استخراج قوانین اقتصادی آموخته شده توسط مدل
• 57. تجزیه و تحلیل اهمیت ویژگی‌ها در پیش‌بینی
• 58. Visualization of the learned rules and feature importance.
• 59. کاربردهای PREIG در پیش‌بینی تقاضا
• 60. پیش‌بینی تقاضای کالاهای اساسی
• 61. پیش‌بینی تقاضای انرژی
• 62. پیش‌بینی تقاضای حمل و نقل
• 63. پیش‌بینی تقاضای خدمات
• 64. مطالعه موردی: پیش‌بینی تقاضای برق با استفاده از PREIG
• 65. مطالعه موردی: پیش‌بینی تقاضای نفت با استفاده از PREIG
• 66. چالش‌ها و محدودیت‌های PREIG
• 67. نیاز به دانش تخصصی در زمینه اقتصاد
• 68. پیچیدگی در پیاده‌سازی و آموزش مدل
• 69. حساسیت به کیفیت داده‌ها
• 70. راهکارهای بهبود عملکرد PREIG
• 71. استفاده از روش‌های پیشرفته بهینه‌سازی
• 72. ترکیب PREIG با سایر مدل‌های یادگیری ماشین
• 73. استفاده از داده‌های جایگزین (Alternative Data)
• 74. آینده پژوهی در پیش‌بینی تقاضا با یادگیری عمیق مفسرپذیر
• 75. ادغام دانش فیزیکی و یادگیری عمیق
• 76. توسعه روش‌های جدید مفسرپذیری
• 77. استفاده از یادگیری تقویتی برای یادگیری آنلاین
• 78. پیاده‌سازی PREIG در محیط‌های ابری
• 79. استفاده از ابزارهای اتوماتیک ML برای بهینه‌سازی PREIG
• 80. بررسی اجمالی داده های مالی و اقتصادی
• 81. تحلیل سری های زمانی با پایتون
• 82. آشنایی با کتابخانه های پایتون برای سری های زمانی: Pandas, NumPy, Scikit-learn
• 83. Visualization سری های زمانی با استفاده از Matplotlib و Seaborn
• 84. آزمون های ایستایی سری های زمانی: ADFuller Test
• 85. روش های تجزیه و تحلیل سری های زمانی: Decomposition
• 86. پیش پردازش داده ها برای مدل های یادگیری عمیق
• 87. مدل سازی سری های زمانی با آریما (ARIMA)
• 88. بهینه سازی پارامتر های ARIMA
• 89. ارزیابی مدل آریما
• 90. مدل های فضای حالت (State Space Models)
• 91. فیلتر کالمن (Kalman Filter)
• 92. کاربرد فیلتر کالمن در پیش بینی سری های زمانی
• 93. مدل های رگرسیونی برای سری های زمانی (Regression Models)
• 94. رگرسیون برداری خودرگرسیون (VAR)
• 95. ارزیابی مدل های رگرسیونی
• 96. مدل سازی سری های زمانی با شبکه های عصبی پیشخور (Feedforward Neural Networks)
• 97. آموزش شبکه های عصبی پیشخور
• 98. ارزیابی شبکه های عصبی پیشخور
• 99. آشنایی با Tensors و Graph در TensorFlow
• 100. ساخت و آموزش مدل با استفاده از keras