دوره کشف الگوهای هزینه کرد مصرف‌کنندگان با یادگیری ماشینی علّی مبتنی بر توزیع همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره کشف الگوهای هزینه کرد مصرف‌کنندگان با یادگیری ماشینی علّی مبتنی بر توزیع

موضوع کلی: یادگیری ماشینی و اقتصاد رفتاری

موضوع میانی: استنتاج علّی توزیعی در یادگیری ماشینی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر یادگیری ماشینی و اقتصاد رفتاری
• 2. چرایی استنتاج علّی در تصمیم‌گیری‌های اقتصادی
• 3. مروری بر مفاهیم پایه یادگیری ماشینی
• 4. مقدمه‌ای بر اقتصاد رفتاری و کاربردهای آن
• 5. داده‌های مصرف‌کننده: منابع و انواع
• 6. آشنایی با متغیرهای تصادفی و توزیع‌های احتمال
• 7. تابع توزیع تجمعی (CDF) و تابع چگالی احتمال (PDF)
• 8. معیارهای مرکزی و پراکندگی برای توزیع‌ها
• 9. نمایش گرافیکی توزیع‌ها: هیستوگرام، KDE، باکس پلات
• 10. مفاهیم پایه استنتاج علّی: همبستگی در مقابل علّیت
• 11. چارچوب پیامدهای بالقوه (Potential Outcomes Framework)
• 12. فرض‌های کلیدی در استنتاج علّی: استقلال شرطی، یکنواختی
• 13. نمودارهای علّی جهت‌دار (DAGs) و شناسایی علّیت
• 14. سوگیری انتخاب (Selection Bias) و متغیرهای مخدوش‌کننده (Confounders)
• 15. روش‌های کنترل سوگیری: رگرسیون، تطبیق، وزن‌دهی
• 16. آزمایش‌های تصادفی کنترل‌شده (RCTs) به عنوان معیار طلایی
• 17. مقدمه‌ای بر مصرف‌کننده و الگوهای هزینه کرد
• 18. نقش اعتبار (Credit) در تصمیم‌گیری‌های مالی
• 19. انواع محصولات اعتباری و اثرات آن‌ها بر رفتار
• 20. فراتر از میانگین: چرا توزیع‌ها مهم هستند؟
• 21. تعریف پیامدهای علّی توزیعی (Distribution-valued Causal Outcomes)
• 22. مثال‌هایی از پیامدهای توزیعی در اقتصاد رفتاری
• 23. چالش‌های استنتاج علّی با پیامدهای توزیعی
• 24. نمایش توزیع‌ها به عنوان اشیاء در یادگیری ماشینی
• 25. فاصله بین توزیع‌ها: وازراشتین (Wasserstein)، کولموگروف-اسمیرنوف (KS)
• 26. هسته‌های روی توزیع‌ها (Kernels on Distributions)
• 27. یادگیری ماشینی برای پیش‌بینی توزیع‌ها
• 28. رگرسیون توزیعی (Distributional Regression)
• 29. مدل‌های تولیدی (Generative Models) برای توزیع‌ها
• 30. تعمیم مفاهیم علّی به توزیع‌ها
• 31. میانگین اثر درمان (ATE) برای توزیع‌ها
• 32. اثر درمان شرطی (CATE) برای توزیع‌ها
• 33. شناسایی اثرات علّی توزیعی
• 34. وزن‌دهی احتمال معکوس (IPW) برای توزیع‌ها
• 35. تعمیم G-computation برای پیامدهای توزیعی
• 36. روش‌های دوگانه مقاوم (Doubly Robust Methods) برای توزیع‌ها
• 37. استفاده از شبکه‌های عصبی برای تخمین توزیع‌های شرطی
• 38. یادگیری مبتنی بر توزیع برای متغیرهای پنهان
• 39. انتخاب ویژگی (Feature Selection) برای داده‌های توزیعی
• 40. پیش‌پردازش داده‌های مالی و اعتباری
• 41. داده‌های هزینه‌کرد مصرف‌کننده: جمع‌آوری و ساختار
• 42. تحلیل اکتشافی داده‌ها (EDA) برای الگوهای هزینه‌کرد
• 43. تقسیم‌بندی مشتریان بر اساس رفتار اعتباری
• 44. تعریف "درمان" در سناریوی اعتبار (مثلاً افزایش حد اعتبار)
• 45. تعریف "پیامد" توزیعی (مثلاً توزیع هزینه‌کرد در دسته‌های مختلف)
• 46. استخراج ویژگی از داده‌های تراکنشی
• 47. ایجاد متغیرهای پیشین (Covariates) مرتبط با اعتبار و هزینه‌کرد
• 48. آماده‌سازی داده‌ها برای مدل‌سازی علّی توزیعی
• 49. انتخاب مدل یادگیری ماشینی برای تخمین توزیع‌ها
• 50. پیاده‌سازی گام به گام وزن‌دهی IPW برای توزیع‌ها (مثال)
• 51. پیاده‌سازی G-computation با استفاده از مدل‌های ML
• 52. پیاده‌سازی روش‌های دوگانه مقاوم برای اثرات توزیعی
• 53. ارزیابی عملکرد مدل‌های تخمین توزیع
• 54. معیارهای ارزیابی اثرات علّی توزیعی
• 55. تفسیر تفاوت در توزیع‌های هزینه‌کرد
• 56. اثر افزایش حد اعتبار بر توزیع هزینه‌کرد کلی
• 57. تأثیر وام‌های جدید بر توزیع هزینه‌کرد در دسته‌های خاص
• 58. تحلیل اثرات علّی توزیعی بر ریسک اعتباری
• 59. بررسی تفاوت در الگوهای هزینه‌کرد قبل و بعد از درمان
• 60. اهمیت دم‌های توزیع (Tails of Distribution) در تحلیل
• 61. تحلیل حساسیت (Sensitivity Analysis) در استنتاج علّی توزیعی
• 62. بررسی فروض مدل و تشخیص نقض آن‌ها
• 63. نمونه‌گیری مجدد (Resampling) برای ارزیابی عدم قطعیت
• 64. کاربرد پایتون و کتابخانه‌های مرتبط (مانند SciPy, Scikit-learn)
• 65. کتابخانه‌های تخصصی برای استنتاج علّی (مانند EconML, DoWhy)
• 66. تحلیل آماری توزیع‌های نتیجه
• 67. گزارش‌دهی نتایج و بصری‌سازی اثرات توزیعی
• 68. مقایسه اثرات علّی توزیعی و میانگین
• 69. تشخیص اثرات ناهمگن (Heterogeneous Effects) در توزیع‌ها
• 70. گروه‌بندی زیرجمعیت‌ها بر اساس پاسخ توزیعی به درمان
• 71. اثرات علّی توزیعی در طول زمان (Time-varying Effects)
• 72. مدل‌سازی اثرات تاخیری (Lagged Effects) بر توزیع‌ها
• 73. تحلیل رفتار هزینه‌کرد در شرایط بحران اقتصادی
• 74. تأثیر سیاست‌های مالی بر توزیع هزینه‌کرد
• 75. کاربردهای دیگر یادگیری ماشینی علّی توزیعی
• 76. ملاحظات اخلاقی در استفاده از داده‌های مصرف‌کننده
• 77. حفظ حریم خصوصی در مدل‌های علّی توزیعی
• 78. تعصبات (Biases) در داده‌ها و مدل‌های یادگیری ماشینی
• 79. مبارزه با تبعیض از طریق مدل‌سازی علّی
• 80. محدودیت‌های مدل‌سازی علّی توزیعی
• 81. پرسش‌های پژوهشی باز در این حوزه
• 82. رویکردهای جایگزین برای استنتاج علّی توزیعی
• 83. نقش یادگیری تقویتی در بهینه‌سازی سیاست‌های اعتباری
• 84. یادگیری ماشینی علّی و طراحی محصول
• 85. کاربرد در بخش سلامت: توزیع پاسخ به درمان دارویی
• 86. کاربرد در بخش آموزش: توزیع نتایج تحصیلی
• 87. ارزیابی مداخله‌های اجتماعی با پیامدهای توزیعی
• 88. ترکیب داده‌های ساختاریافته و بدون ساختار
• 89. استفاده از روش‌های شبه‌آزمایشی برای اعتبار (مثلاً رگرسیون ناپیوستگی)
• 90. استنتاج علّی با متغیرهای ابزاری برای توزیع‌ها
• 91. نقش اقتصادسنجی در توسعه روش‌های علّی توزیعی
• 92. آینده یادگیری ماشینی علّی و اقتصاد رفتاری
• 93. مطالعه موردی: تأثیر افزایش حد اعتبار بر توزیع هزینه‌کرد سوخت
• 94. مطالعه موردی: ارزیابی تأثیر کارت‌های اعتباری جدید بر توزیع هزینه‌کرد تفریحی
• 95. مطالعه موردی: تحلیل اثر رویدادهای مالی بر توزیع پس‌انداز
• 96. کاربرد در سیاست‌گذاری: بهینه‌سازی توزیع یارانه
• 97. آموزش مدل‌های علّی توزیعی در محیط‌های ابری
• 98. مقیاس‌پذیری مدل‌ها برای داده‌های بزرگ (Big Data)
• 99. نتیجه‌گیری و جمع‌بندی مباحث
• 100. منابع و مطالعات بیشتر