🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: از روایت تا عدد: آموزش ساخت شاخص‌های اقتصادی با مدل‌های زبانی بزرگ

موضوع کلی: هوش مصنوعی و اقتصاد

موضوع میانی: مدل‌های زبانی بزرگ و تحلیل داده‌های متنی در اقتصاد

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه‌ای بر دوره: از روایت تا عدد
• 2. اهمیت داده‌های متنی در تحلیل‌های اقتصادی
• 3. مروری بر شاخص‌های سنتی عدم قطعیت سیاست اقتصادی
• 4. چالش‌های رویکردهای سنتی تحلیل متن در اقتصاد
• 5. معرفی هوش مصنوعی و یادگیری ماشین در اقتصاد
• 6. مفاهیم بنیادی پردازش زبان طبیعی (NLP)
• 7. مدل‌های زبانی بزرگ (LLMs) چیستند؟
• 8. تاریخچه و تکامل LLMs
• 9. انواع معماری‌های LLM (ترنسفورمرها)
• 10. مدل‌های BERT و کاربردهای اولیه آن‌ها
• 11. خانواده مدل‌های GPT و قابلیت‌های آن‌ها
• 12. LLMs منبع باز در برابر LLMs تجاری
• 13. نصب و راه‌اندازی محیط کاری برای LLMs
• 14. اصول اولیه برنامه‌نویسی پایتون برای NLP (مرور)
• 15. نحوه عملکرد LLMs: توکن‌سازی و جاسازی
• 16. معرفی کتابخانه‌های محبوب LLM (مانند Hugging Face)
• 17. اصول مهندسی پرامپت (Prompt Engineering)
• 18. طراحی پرامپت‌های موثر برای استخراج اطلاعات اقتصادی
• 19. ارزیابی پاسخ‌های LLM: دقت و ارتباط
• 20. منابع داده متنی در اقتصاد: مروری جامع
• 21. جمع‌آوری داده‌های متنی: اخبار، گزارش‌ها، بیانیه‌ها
• 22. استفاده از APIها برای جمع‌آوری داده‌ها (مانند اخبار)
• 23. اصول وب‌اسکرپینگ برای داده‌های متنی
• 24. اخلاق و ملاحظات حقوقی در جمع‌آوری داده‌ها
• 25. پیش‌پردازش داده‌های متنی: پاکسازی و نرمال‌سازی
• 26. حذف نویز و داده‌های نامربوط
• 27. برخورد با عبارات و اصطلاحات خاص اقتصادی
• 28. توکن‌سازی پیشرفته برای متون اقتصادی
• 29. مفهوم عدم قطعیت سیاست اقتصادی (EPU)
• 30. چرا اندازه‌گیری EPU از طریق متن مهم است؟
• 31. بررسی مقاله "Narratives to Numbers": مروری عمیق
• 32. اهداف و فرضیات اصلی مقاله الهام‌بخش
• 33. روش‌شناسی مقاله: از روایت به عدد
• 34. بازنمایی متون اقتصادی به عنوان "روایت"
• 35. مراحل کلی ساخت یک شاخص اقتصادی با LLMs
• 36. شناسایی مفاهیم کلیدی برای شاخص‌سازی
• 37. طراحی اولیه شاخص عدم قطعیت: گام اول
• 38. LLMs برای خلاصه‌سازی متون اقتصادی
• 39. استخراج کلمات کلیدی و عبارات مهم با LLMs
• 40. تحلیل احساسات (Sentiment Analysis) در متون اقتصادی
• 41. کاربرد LLMs در طبقه‌بندی متون اقتصادی
• 42. شناسایی موجودیت‌های نام‌گذاری شده (NER) در اقتصاد
• 43. استخراج روابط (Relation Extraction) بین مفاهیم اقتصادی
• 44. مدل‌سازی موضوع (Topic Modeling) با LLMs
• 45. LLMs برای تشخیص رویدادهای اقتصادی
• 46. تبدیل خروجی LLM به داده‌های کمی
• 47. روش‌های امتیازدهی و وزن‌دهی به اطلاعات استخراج شده
• 48. جمع‌آوری و تجمیع امتیازات برای ساخت شاخص
• 49. ساخت شاخص عدم قطعیت سیاست اقتصادی (EPU) با LLMs
• 50. گام به گام: تعریف متغیرهای EPU از متن
• 51. طراحی پرامپت‌های اختصاصی برای EPU
• 52. ارزیابی اولیه شاخص EPU: همبستگی با شاخص‌های موجود
• 53. تحلیل حساسیت (Sensitivity Analysis) شاخص EPU
• 54. اعتبارسنجی داخلی و خارجی شاخص ساخته شده
• 55. بررسی سوگیری‌ها در داده‌ها و مدل‌ها
• 56. مدیریت سوگیری‌های LLM در متون اقتصادی
• 57. معرفی معیارهای ارزیابی کیفیت شاخص
• 58. شاخص‌های جایگزین: انتظارات تورمی از متن
• 59. شاخص‌های اعتماد مصرف‌کننده و کسب‌وکار از شبکه‌های اجتماعی
• 60. تحلیل بیانیه‌های بانک مرکزی با LLMs
• 61. شناسایی لحن و جهت‌گیری سیاست‌گذاری
• 62. ردیابی تغییرات سیاست‌های مالی و پولی
• 63. کاربرد LLMs در تحلیل گزارش‌های شرکت‌ها
• 64. پیش‌بینی روند بازار با شاخص‌های متنی
• 65. مبانی یادگیری تقویتی از بازخورد انسانی (RLHF)
• 66. تنظیم دقیق (Fine-tuning) LLMs برای حوزه اقتصادی
• 67. جمع‌آوری مجموعه داده‌های آموزشی برای Fine-tuning
• 68. مراحل Fine-tuning یک LLM برای وظایف اقتصادی
• 69. ارزیابی مدل Fine-tuned
• 70. معماری‌های سفارشی برای LLMs در اقتصاد
• 71. توضیح‌پذیری (Explainability) در LLMs برای اقتصاددانان
• 72. روش‌های تفسیر خروجی LLM در تصمیم‌گیری اقتصادی
• 73. چالش‌های مقیاس‌پذیری (Scalability) در تولید شاخص‌ها
• 74. راه‌اندازی و نگهداری شاخص‌های متنی در زمان واقعی
• 75. به‌روزرسانی مداوم داده‌ها و مدل‌ها
• 76. ملاحظات محاسباتی و هزینه‌ای
• 77. ادغام شاخص‌های LLM با مدل‌های اقتصادسنجی
• 78. تحلیل علیت (Causality Analysis) با شاخص‌های جدید
• 79. مطالعات موردی: شاخص‌های EPU در کشورهای مختلف
• 80. مقایسه شاخص‌های LLM با شاخص‌های سنتی در عمل
• 81. LLMs و کشف روندهای نوظهور اقتصادی
• 82. پتانسیل LLMs در تحلیل بازارهای مالی
• 83. کاربرد LLMs در سیاست‌گذاری عمومی
• 84. ملاحظات اخلاقی و مسئولیت‌پذیری در استفاده از LLMs
• 85. امنیت داده‌ها و حریم خصوصی در LLMهای اقتصادی
• 86. چالش‌های فنی و عملیاتی پیش‌رو
• 87. آینده هوش مصنوعی و اقتصاد: چشم‌اندازها
• 88. فرصت‌های تحقیق و توسعه در این حوزه
• 89. ساخت داشبوردهای تعاملی برای شاخص‌های LLM
• 90. تجسم داده‌ها و روایت‌های استخراج شده
• 91. استفاده از ابزارهای BI (Business Intelligence)
• 92. آموزش مدل‌های ترکیبی: LLMs و مدل‌های آماری
• 93. همکاری انسان و هوش مصنوعی در تحلیل اقتصادی
• 94. LLMs در مدل‌سازی کلان اقتصادی
• 95. تحلیل شبکه‌های ارتباطی با LLMs
• 96. کاربردهای LLM در پیش‌بینی بحران‌های اقتصادی
• 97. مدیریت دانش اقتصادی با کمک LLMs
• 98. پروژه‌های عملی: ساخت یک شاخص جدید از صفر
• 99. مروری بر بهترین شیوه‌ها و نکات کلیدی
• 100. جمع‌بندی دوره و گام‌های بعدی