دوره کشف دنیای بهینه‌سازی شرطی ریسک: یک رویکرد نوین مبتنی بر حمل و نقل بهینه و اطلاعات جانبی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف دنیای بهینه‌سازی شرطی ریسک: یک رویکرد نوین مبتنی بر حمل و نقل بهینه و اطلاعات جانبی

موضوع کلی: یادگیری ماشین و بهینه‌سازی

موضوع میانی: بهینه‌سازی توزیع-پایا با استفاده از حمل و نقل بهینه

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشین
• 2. انواع یادگیری ماشین: نظارت‌شده، نظارت‌نشده، تقویتی
• 3. مفاهیم کلیدی: ویژگی‌ها، نمونه‌ها، مدل‌ها
• 4. یادگیری نظارت‌شده: رگرسیون و طبقه‌بندی
• 5. تابع‌های زیان (Loss Functions) در ML
• 6. مفهوم ریسک و ریسک تجربی
• 7. هدف یادگیری ماشین: کمینه‌سازی ریسک واقعی
• 8. مشکل تعمیم (Generalization)
• 9. بیش‌برازش (Overfitting) و کم‌برازش (Underfitting)
• 10. معیار ارزیابی مدل‌ها
• 11. بهینه‌سازی در قلب یادگیری ماشین
• 12. آشنایی با الگوریتم‌های بهینه‌سازی
• 13. گرادیان کاهشی (Gradient Descent) و انواع آن
• 14. مقدمه‌ای بر نظریه یادگیری آماری
• 15. چالش‌های یادگیری ماشین در دنیای واقعی
• 16. تعریف مسئله بهینه‌سازی
• 17. توابع هدف و قیدها
• 18. مجموعه قابل قبول (Feasible Set)
• 19. بهینه‌سازی محدب (Convex Optimization): اهمیت و کاربردها
• 20. مجموعه‌های محدب و ویژگی‌های آنها
• 21. توابع محدب و خواص آنها
• 22. مسائل بهینه‌سازی محدب استاندارد
• 23. دوگانگی لاگرانژ (Lagrangian Duality): مبانی
• 24. شرایط KKT برای بهینه‌سازی
• 25. حل مسائل بهینه‌سازی با ابزارهای عددی
• 26. چرا کمینه‌سازی ریسک تجربی (ERM) همیشه کافی نیست؟
• 27. پدیده تغییر توزیع (Distribution Shift)
• 28. عدم قطعیت در توزیع داده‌ها
• 29. حساسیت به داده‌های پرت (Outliers)
• 30. عدم تعمیم‌پذیری به سناریوهای جدید
• 31. نیاز به مدل‌های مقاوم (Robust Models)
• 32. معرفی بهینه‌سازی مقاوم (Robust Optimization)
• 33. اهداف بهینه‌سازی مقاوم
• 34. تفاوت با ERM
• 35. مشکلات مدل‌های شکننده (Brittle Models)
• 36. مسئله حمل و نقل بهینه: ریشه‌ها و تاریخچه
• 37. مسئله مونژ (Monge Problem)
• 38. مسئله کانتوروویچ (Kantorovich Problem)
• 39. تابع هزینه (Cost Function) در حمل و نقل بهینه
• 40. مفهوم کوپلینگ حمل و نقل (Transport Coupling)
• 41. فاصله واسرشتین (Wasserstein Distance)
• 42. فاصله واسرشتین-1 و واسرشتین-2
• 43. ویژگی‌های فاصله واسرشتین: متریک بودن
• 44. مقایسه واسرشتین با KL-Divergence و Jensen-Shannon
• 45. کاربردهای حمل و نقل بهینه در ML و آمار
• 46. Regularization در حمل و نقل بهینه: تنظیم آنتروپیک
• 47. الگوریتم سینکهورن (Sinkhorn Algorithm)
• 48. جنبه‌های محاسباتی حمل و نقل بهینه
• 49. حمل و نقل بهینه برای توزیع‌های گسسته
• 50. حمل و نقل بهینه برای توزیع‌های پیوسته
• 51. انگیزه‌های بهینه‌سازی توزیع-پایا
• 52. مفهوم مجموعه ابهام (Ambiguity Set)
• 53. ساختار مینیمکس (Minimax) در DRO
• 54. بدترین حالت توزیع (Worst-case Distribution)
• 55. تعریف مسئله DRO
• 56. انواع مجموعه ابهام: Moment-based، Phi-divergence based
• 57. معرفی DRO مبتنی بر فاصله واسرشتین
• 58. مزایای استفاده از فاصله واسرشتین در DRO
• 59. شعاع ابهام (Radius of Ambiguity)
• 60. ساختار دوگان (Dual) مسئله DRO واسرشتین
• 61. تفسیر دوگان DRO واسرشتین
• 62. حل مسائل DRO با ابزارهای بهینه‌سازی
• 63. پیچیدگی محاسباتی DRO
• 64. تضمین‌های نظری DRO
• 65. کاربردهای DRO در یادگیری ماشین و ریسک
• 66. تعریف ریسک شرطی
• 67. اهمیت ریسک شرطی در تصمیم‌گیری‌های حساس
• 68. مثال‌هایی از ریسک شرطی (عدالت، سلامت شخصی‌سازی شده)
• 69. کمینه‌سازی ریسک شرطی (CRM) به روش سنتی
• 70. چالش‌های تخمین ریسک شرطی از داده‌های محدود
• 71. وابستگی ریسک شرطی به متغیرهای جانبی
• 72. مشکلات تعمیم‌پذیری CRM در سناریوهای جدید
• 73. کمبود داده در بخش‌های خاص فضای شرط
• 74. مقایسه ERM و CRM
• 75. نیاز به رویکردهای مقاوم برای CRM
• 76. تعریف و نقش اطلاعات جانبی (Covariates Z)
• 77. چگونه Z می‌تواند مدل‌های ما را آگاه‌تر کند
• 78. دسته‌بندی انواع اطلاعات جانبی
• 79. اهمیت گنجاندن Z در مدل‌های یادگیری
• 80. اثر Z بر ریسک و ریسک شرطی
• 81. پل زدن بین CRM و DRO
• 82. فرموله کردن CRM به عنوان یک مسئله DRO
• 83. استفاده از فاصله واسرشتین برای ساخت مجموعه ابهام شرطی
• 84. گنجاندن اطلاعات جانبی Z در تعریف مجموعه ابهام واسرشتین
• 85. تعریف مجموعه ابهام واسرشتین شرطی (Conditional Wasserstein Ambiguity Set)
• 86. فرمول‌بندی مسئله "کمینه‌سازی ریسک شرطی مقاوم" (CRRM)
• 87. تبدیل CRRM به یک مسئله بهینه‌سازی با ساختار مینیمکس
• 88. اثبات قابلیت حل و ردیابی (Tractability) چارچوب پیشنهادی
• 89. ساختار دوگان مسئله CRRM
• 90. تفسیر دوگان: توابع پتانسیل کانتوروویچ شرطی
• 91. الگوریتم‌های حل مسئله CRRM
• 92. تقریب‌ها و روش‌های Monte Carlo برای CRRM
• 93. تضمین‌های تعمیم‌پذیری جهانی (Universal Generalization Guarantees)
• 94. کران‌های تعمیم برای ریسک شرطی مقاوم
• 95. تحلیل حساسیت پارامترهای مدل (مانند شعاع ابهام)
• 96. مطالعات موردی: عدالت در یادگیری ماشین با CRRM
• 97. کاربرد در پزشکی شخصی‌سازی شده و تخصیص منابع
• 98. استفاده در تحلیل ریسک مالی با اطلاعات بازار
• 99. محدودیت‌ها و جهت‌گیری‌های تحقیقات آتی
• 100. ابزارهای نرم‌افزاری و پیاده‌سازی عملی