دوره حقیقت پنهان درختان علی: محدودیت‌های دقت و چالش‌های عملی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره حقیقت پنهان درختان علی: محدودیت‌های دقت و چالش‌های عملی

موضوع کلی: استنتاج علی با یادگیری ماشین

موضوع میانی: تخمین اثرات ناهمگن با الگوریتم‌های درختی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر استنتاج علی و اهمیت آن
• 2. مفاهیم بنیادی استنتاج علی: علت، معلول، مداخله
• 3. مشکل همبستگی در مقابل علیت
• 4. متغیرهای مخدوشگر و روش‌های کنترل آن‌ها
• 5. نیاز به تخمین اثرات ناهمگن در استنتاج علی
• 6. مروری بر روش‌های تخمین اثرات در یادگیری ماشین
• 7. معرفی اثرات درمان (Treatment Effects): ATE, ATT, ATU
• 8. اثرات ناهمگن درمان: مفهوم و اهمیت
• 9. چرا تخمین اثرات ناهمگن پیچیده است؟
• 10. مقدمه‌ای بر مدل‌های درختی و کاربردهای آن‌ها
• 11. درخت‌های تصمیم‌گیری: الگوریتم‌های ID3, C4.5, CART
• 12. معیارهای تقسیم‌بندی گره‌ها در درخت‌های تصمیم‌گیری
• 13. مزایا و معایب درخت‌های تصمیم‌گیری
• 14. رگرسیون درختی: تخمین توابع پیوسته
• 15. معرفی درخت‌های علی (Causal Trees)
• 16. ساختار درخت‌های علی و نحوه ساخت آن‌ها
• 17. تفاوت درخت‌های علی با درخت‌های رگرسیونی معمولی
• 18. اهمیت تصادفی‌سازی در ساخت درخت‌های علی
• 19. متغیرهای کنترلی در درخت‌های علی
• 20. معیارهای تقسیم‌بندی گره‌ها در درخت‌های علی: T-test, Chi-squared
• 21. ارزیابی کیفیت تقسیم‌بندی در درخت‌های علی
• 22. بیش‌برازش (Overfitting) در درخت‌های علی و راه‌های مقابله با آن
• 23. مفهوم Honest Tree در استنتاج علی
• 24. نیاز به Honest Tree برای تخمین دقیق‌تر
• 25. تخصیص داده‌ها برای ساخت Honest Tree: Split-Sample
• 26. مزایای استفاده از Split-Sample
• 27. محدودیت‌های Split-Sample و روش‌های جایگزین
• 28. پیاده‌سازی Split-Sample در درخت‌های علی
• 29. تخمین اثرات درمان با استفاده از Honest Tree
• 30. محاسبه ATE, ATT, ATU با درخت‌های علی
• 31. اعتبارسنجی (Validation) درخت‌های علی
• 32. روش‌های ارزیابی عملکرد درخت‌های علی
• 33. خطاهای تخمین در درخت‌های علی
• 34. مفهوم Boundهای دقت در استنتاج علی
• 35. محدودیت‌های ذاتی در تخمین اثرات ناهمگن
• 36. تاثیر متغیرهای مخدوشگر بر دقت تخمین
• 37. تأثیر حجم نمونه بر دقت تخمین
• 38. تاثیر تعداد متغیرها بر دقت تخمین
• 39. نقش انتخاب متغیر در بهبود دقت
• 40. اهمیت شناخت ساختار علی داده‌ها
• 41. مقایسه درخت‌های علی با سایر روش‌های استنتاج علی
• 42. Matching Methods: Propensity Score Matching
• 43. Inverse Probability of Treatment Weighting (IPTW)
• 44. Regression Adjustment
• 45. Doubly Robust Methods
• 46. Causal Forests: ترکیبی از درخت‌های علی
• 47. مزایای Causal Forests نسبت به درخت‌های علی تکی
• 48. پارامترهای کلیدی در Causal Forests
• 49. روش‌های ارزیابی Causal Forests
• 50. مقایسه Causal Forests با سایر روش‌های جنگلی
• 51. Boosting Methods برای استنتاج علی
• 52. استفاده از XGBoost و LightGBM در استنتاج علی
• 53. اعتبارسنجی Boosted Trees برای استنتاج علی
• 54. روش‌های یادگیری بازنمایی (Representation Learning) برای استنتاج علی
• 55. Autoencoders و کاربردهای آن‌ها در کاهش ابعاد
• 56. یادگیری متریک برای یافتن تشابه بین مشاهدات
• 57. کاربرد یادگیری عمیق در استنتاج علی
• 58. شبکه‌های عصبی برای تخمین اثرات ناهمگن
• 59. شبکه‌های عصبی علی (Causal Neural Networks)
• 60. روش‌های تفسیرپذیری (Interpretability) در درخت‌های علی
• 61. اهمیت تفسیرپذیری مدل‌های استنتاج علی
• 62. روش‌های Visualizing درخت‌های علی
• 63. شبیه‌سازی داده‌ها برای ارزیابی درخت‌های علی
• 64. روش‌های تولید داده‌های مصنوعی با ساختار علی مشخص
• 65. ارزیابی الگوریتم‌های مختلف بر روی داده‌های شبیه‌سازی شده
• 66. روش‌های برخورد با داده‌های گم‌شده (Missing Data) در استنتاج علی
• 67. Imputation Techniques و تاثیر آن‌ها بر نتایج
• 68. انتخاب بهترین روش Imputation
• 69. مقابله با متغیرهای مداخله‌گر (Mediators)
• 70. روش‌های شناسایی و کنترل متغیرهای مداخله‌گر
• 71. Direct and Indirect Effects
• 72. تحلیل حساسیت (Sensitivity Analysis) در استنتاج علی
• 73. بررسی حساسیت نتایج نسبت به فرضیات
• 74. E-Value و کاربردهای آن
• 75. کاربرد درخت‌های علی در حوزه‌های مختلف: پزشکی، اقتصاد، بازاریابی
• 76. مثال‌هایی از کاربرد درخت‌های علی در پزشکی
• 77. مثال‌هایی از کاربرد درخت‌های علی در اقتصاد
• 78. مثال‌هایی از کاربرد درخت‌های علی در بازاریابی
• 79. چالش‌های عملی در استفاده از درخت‌های علی
• 80. پیچیدگی داده‌ها و نیاز به پیش‌پردازش
• 81. مقیاس‌پذیری درخت‌های علی
• 82. تفسیر نتایج و ارائه آن‌ها به ذینفعان
• 83. روش‌های بهبود عملکرد درخت‌های علی
• 84. انتخاب ویژگی (Feature Selection)
• 85. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 86. استفاده از Domain Knowledge
• 87. مباحث پیشرفته در درخت‌های علی
• 88. Causal Discovery: یادگیری ساختار علی از داده‌ها
• 89. ترکیب درخت‌های علی با سایر روش‌های استنتاج علی
• 90. یادگیری نیمه نظارتی (Semi-Supervised Learning) در استنتاج علی
• 91. یادگیری فعال (Active Learning) در استنتاج علی
• 92. آینده درخت‌های علی و استنتاج علی
• 93. تحقیقات جاری و گرایش‌های جدید
• 94. نقش یادگیری ماشین در پیشبرد استنتاج علی
• 95. پیاده‌سازی درخت‌های علی در R
• 96. استفاده از کتابخانه‌های causalTree و grf در R
• 97. مثال‌های عملی با استفاده از R
• 98. پیاده‌سازی درخت‌های علی در Python
• 99. استفاده از کتابخانه‌های scikit-learn و econml در Python
• 100. مثال‌های عملی با استفاده از Python