کتاب یادگیری ماشین دوگانه بیزین: استنتاج علی مقاوم در داده‌های ابعاد بالا با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین دوگانه بیزین: استنتاج علی مقاوم در داده‌های ابعاد بالا

موضوع کلی: علم داده و یادگیری ماشین

موضوع میانی: استنتاج علی پیشرفته با مدل‌های مدرن

📋 سرفصل‌های دوره

• 1. مقدمه ای بر استنتاج علی
• 2. مفاهیم پایه ای علیّت: همبستگی و علیت
• 3. چارچوب Rubin Causal Model (RCM)
• 4. پتانسیل نتایج و فرض های اساسی
• 5. اثرات درمانی میانگین (ATE) و شرطی (CATE)
• 6. مسئله مخدوشگری و روش های مقابله با آن
• 7. روش های سنتی استنتاج علی: رگرسیون
• 8. تطبیق (Matching) و وزندهی (Weighting)
• 9. متغیرهای ابزاری (Instrumental Variables)
• 10. محدودیت های روش های سنتی در ابعاد بالا
• 11. مقدمه ای بر یادگیری ماشین برای استنتاج علی
• 12. مروری بر الگوریتم های یادگیری ماشین
• 13. رگرسیون خطی و غیرخطی
• 14. درخت های تصمیم گیری و جنگل های تصادفی
• 15. ماشین های بردار پشتیبان (SVM)
• 16. شبکه های عصبی عمیق (DNN)
• 17. ارزیابی عملکرد مدل های یادگیری ماشین
• 18. مقدمه ای بر یادگیری ماشین دوگانه (Double Machine Learning)
• 19. منطق DML و رویکرد باقیمانده ها
• 20. برآورد اثر درمانی با استفاده از DML
• 21. مزایای DML نسبت به روش های سنتی
• 22. نحوه پیاده سازی DML در پایتون
• 23. بایاس انتخاب و راهکارهای DML
• 24. مقدمه ای بر استنتاج بیزی
• 25. قضیه بیز و احتمال پسین
• 26. توزیع های پیشین و احتمال درستنمایی
• 27. استنتاج بیزی برای رگرسیون خطی
• 28. زنجیره مارکوف مونت کارلو (MCMC)
• 29. معرفی نرم افزار Stan برای استنتاج بیزی
• 30. مدل سازی بیزی برای یادگیری ماشین
• 31. یادگیری ماشین دوگانه بیزی (Bayesian Double Machine Learning)
• 32. ادغام استنتاج بیزی با DML
• 33. تفسیر احتمالی اثرات درمانی
• 34. مقایسه BDLM با DML کلاسیک
• 35. انتخاب پیشین مناسب برای BDLM
• 36. ارزیابی همگرایی زنجیره های MCMC
• 37. فرضیه های مدل و بررسی اعتبار آنها
• 38. مدل سازی سلسله مراتبی در BDLM
• 39. استفاده از BDLM برای داده های پنل
• 40. BDLM با متغیرهای ابزاری
• 41. BDLM برای اثرات درمانی ناهمگن
• 42. BDLM با داده های مخدوش شده
• 43. بررسی حساسیت در BDLM
• 44. BDLM برای داده های سانسور شده
• 45. استفاده از BDLM در مشکلات پزشکی
• 46. BDLM در سیاست گذاری عمومی
• 47. BDLM در اقتصاد
• 48. BDLM در علوم اجتماعی
• 49. BDLM در بازاریابی
• 50. BDLM در تحلیل ریسک
• 51. چالش های پیاده سازی BDLM
• 52. مقایسه نرم افزاری برای BDLM (Stan, PyMC3)
• 53. بهینه سازی کد BDLM
• 54. راهکارهای مقابله با همگرایی آهسته
• 55. ارائه نتایج BDLM به صورت قابل فهم
• 56. تفسیر فواصل اطمینان بیزی
• 57. انتخاب بهترین مدل BDLM
• 58. مدل های مخلوط در BDLM
• 59. مدل های غیرپارامتری در BDLM
• 60. یادگیری عمیق بیزی برای استنتاج علی
• 61. شبکه های عصبی تغییرپذیر در BDLM
• 62. کاربرد اتوانکودرها در BDLM
• 63. استفاده از مدل های زبانی در BDLM
• 64. تکنیک های کاهش ابعاد در BDLM
• 65. انتخاب ویژگی در BDLM
• 66. کاربرد BDLM در داده های تصویری
• 67. کاربرد BDLM در داده های متنی
• 68. BDLM برای داده های سری زمانی
• 69. استفاده از فرآیندهای گاوسی در BDLM
• 70. BDLM برای داده های مکانی
• 71. BDLM در داده های شبکه ای
• 72. مدل سازی وابستگی فضایی در BDLM
• 73. کاربرد BDLM در بهینه سازی
• 74. BDLM برای یادگیری تقویتی
• 75. BDLM برای کنترل علی
• 76. مدل های ساختاری علی (SCM) و BDLM
• 77. تخمین اثرات علی کل با BDLM
• 78. BDLM با متغیرهای واسطه
• 79. تخمین اثرات مستقیم و غیرمستقیم با BDLM
• 80. BDLM برای کشف علی
• 81. یادگیری ساختاری با BDLM
• 82. روش های مبتنی بر امتیازدهی در BDLM
• 83. روش های مبتنی بر محدودیت در BDLM
• 84. مقایسه روش های کشف علی
• 85. اعتبارسنجی ساختار علی
• 86. BDLM برای داده های گم شده
• 87. روش های انتساب چندگانه در BDLM
• 88. تحلیل حساسیت به انتساب
• 89. محدودیت های BDLM و چالش های آینده
• 90. اخلاق و ملاحظات مربوط به استنتاج علی
• 91. تفسیر مسئولانه نتایج BDLM
• 92. مقدمه ای بر نرم افزار R برای BDLM
• 93. پیاده سازی BDLM با بسته های R
• 94. مقایسه با پیاده سازی پایتون
• 95. مطالعات موردی پیشرفته با BDLM
• 96. مقالات پژوهشی مرتبط با BDLM و بررسی انتقادی آنها
• 97. روند های تحقیقاتی جدید در BDLM
• 98. پرسش و پاسخ و بحث
• 99. پروژه پایانی: پیاده سازی BDLM برای یک مجموعه داده واقعی
• 100. ارائه پروژه ها و بازخورد