🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: انتخاب هوشمندانه سایت‌های آزمایشگاهی با استفاده از Optimal Transport و Wasserstein DRO: یک رویکرد نوین برای کاهش خطاهای تخمین و افزایش دقت نتایج

موضوع کلی: یادگیری ماشین و آمار

موضوع میانی: انتخاب سایت آزمایشگاهی و بهینه‌سازی توزیع

📋 سرفصل‌های دوره (100 موضوع)

• 1. مقدمه: چرا انتخاب سایت آزمایشگاهی اهمیت دارد؟
• 2. اهداف دوره: کاهش خطا، افزایش دقت، رویکرد نوین
• 3. مروری بر اصول آزمایشات علمی و A/B تست
• 4. مفاهیم پایه آماری: جامعه، نمونه، متغیرها
• 5. مفاهیم پایه آماری: تخمینگرها و بایاس (Bias)
• 6. مفاهیم پایه آماری: واریانس و خطای استاندارد
• 7. مقدمه‌ای بر یادگیری ماشین و نقش داده‌ها
• 8. آشنایی با انواع داده‌ها و مقیاس‌های اندازه‌گیری
• 9. توزیع‌های احتمالاتی پایه و کاربرد آن‌ها
• 10. چالش‌های رایج در جمع‌آوری و تحلیل داده‌ها
• 11. تعریف شیفت توزیع (Distribution Shift)
• 12. انواع شیفت توزیع: Covariate Shift
• 13. انواع شیفت توزیع: Concept Shift
• 14. انواع شیفت توزیع: Label Shift
• 15. تأثیر شیفت توزیع بر اعتبار نتایج آزمایش‌ها
• 16. مشکلات تخمین‌گری تحت شیفت توزیع
• 17. خطر تعمیم‌پذیری (Generalization) ضعیف
• 18. مثال‌های عملی از شیفت توزیع در دنیای واقعی
• 19. چرا روش‌های سنتی مدیریت شیفت توزیع کافی نیستند؟
• 20. انگیزه برای رویکردهای قوی‌تر (Robust) در مواجهه با عدم قطعیت
• 21. مروری بر بهینه‌سازی محدب (Convex Optimization)
• 22. مفاهیم پایه بهینه‌سازی: تابع هدف و قیدها
• 23. آشنایی با دوگانگی لاگرانژ (Lagrangian Duality)
• 24. روش‌های حل مسائل بهینه‌سازی (مروری کلی)
• 25. یادآوری جبر خطی ضروری برای این مبحث
• 26. مروری بر نظریه احتمال و متغیرهای تصادفی
• 27. امید ریاضی و کوواریانس
• 28. آماره‌های مرتبه بالا (ممان‌ها)
• 29. مقدمه‌ای بر آزمون فرض آماری (Hypothesis Testing)
• 30. استنباط آماری و حدود اطمینان
• 31. معرفی حمل و نقل بهینه (Optimal Transport - OT)
• 32. مسئله Monge و Kantorovich
• 33. تابع هزینه (Cost Function) در OT: L1, L2, Euclidean Squared
• 34. مفهوم برنامه‌ریزی حمل و نقل (Transportation Plan)
• 35. فاصله Wasserstein (زمین‌شویی) W1 و W2
• 36. ویژگی‌های فاصله Wasserstein
• 37. تفسیر هندسی فاصله Wasserstein
• 38. پیچیدگی محاسباتی مسئله OT
• 39. تنظیم‌گرایی آنتروپیک (Entropic Regularization) در OT
• 40. الگوریتم Sinkhorn برای OT منظم
• 41. کاربردهای فاصله Wasserstein در یادگیری ماشین
• 42. محاسبه تقریبی فواصل OT برای داده‌های بزرگ
• 43. مفهوم Barycenter در Optimal Transport
• 44. OT گسسته و پیوسته
• 45. ابزارهای نرم‌افزاری برای OT (مثلاً Python Optimal Transport)
• 46. معرفی بهینه‌سازی با رویکرد قوی (Robust Optimization)
• 47. مجموعه‌های عدم قطعیت (Uncertainty Sets)
• 48. انگیزه برای بهینه‌سازی مقاوم توزیعی (Distributionally Robust Optimization - DRO)
• 49. بهینه‌سازی بدترین حالت (Worst-Case Optimization)
• 50. معیارهای فاصله احتمالاتی برای تعریف عدم قطعیت
• 51. Total Variation Distance
• 52. Kullback-Leibler Divergence
• 53. Chi-squared Divergence
• 54. معرفی Wasserstein DRO
• 55. تعریف "توپ" Wasserstein (Wasserstein Ball)
• 56. فرمول‌بندی مسائل Wasserstein DRO
• 57. ساختار دوگانه مسائل Wasserstein DRO
• 58. ارتباط DRO با رگولاریزاسیون (Regularization)
• 59. حل مسائل ساده Wasserstein DRO
• 60. ویژگی‌های محدب بودن در Wasserstein DRO
• 61. فرمول‌بندی مسئله انتخاب سایت آزمایشگاهی
• 62. هدف: حداقل‌سازی خطای تخمین در بدترین حالت
• 63. تعریف "سایت آزمایشگاهی" و ویژگی‌های آن
• 64. تأثیر عدم قطعیت در توزیع بر انتخاب سایت
• 65. چالش عدم شناخت توزیع‌های آینده
• 66. رویکردهای موجود برای انتخاب سایت (مروری کوتاه)
• 67. محدودیت‌های روش‌های سنتی انتخاب سایت
• 68. انگیزه برای استفاده از OT و DRO در انتخاب سایت
• 69. مسئله تخصیص بودجه به سایت‌ها (Budget Allocation)
• 70. چارچوب "Where to Experiment?" از مقاله الهام‌بخش
• 71. مدل‌سازی شیفت توزیع با استفاده از فاصله Wasserstein
• 72. فرمول‌بندی مسئله انتخاب سایت به عنوان یک Wasserstein DRO
• 73. تابع هدف: حداقل‌سازی واریانس تخمین در بدترین حالت
• 74. ساختار مجموعه عدم قطعیت (توپ Wasserstein)
• 75. شعاع توپ Wasserstein: یک هایپرپارامتر کلیدی
• 76. بازنویسی مسئله DRO با استفاده از دوگانگی
• 77. حل مسئله دوگانه و ارتباط آن با OT
• 78. نقش برنامه‌ریزی حمل و نقل بهینه در یافتن سایت‌ها
• 79. ویژگی‌های جواب بهینه برای انتخاب سایت‌ها
• 80. الگوریتم‌های محاسباتی برای حل این مسئله
• 81. الگوریتم‌های مبتنی بر بهینه‌سازی محدب برای DRO
• 82. تضمین‌های نظری و تحلیل حساسیت
• 83. ارتباط با وزن‌دهی نمونه‌ها (Importance Sampling)
• 84. کاربرد مفهوم C-transform در راه‌حل
• 85. تحلیل هزینه‌های محاسباتی و پیچیدگی الگوریتم‌ها
• 86. ملاحظات عملی در پیاده‌سازی مدل
• 87. انتخاب شعاع Wasserstein Ball در عمل
• 88. مقیاس‌پذیری و روش‌های تقریبی برای داده‌های بزرگ
• 89. مطالعه موردی 1: انتخاب سایت برای آزمایش‌های A/B آنلاین
• 90. مطالعه موردی 2: بهینه‌سازی محل سنسورها در شبکه‌ها
• 91. مطالعه موردی 3: انتخاب کلینیک‌ها در کارآزمایی‌های بالینی
• 92. مقایسه با روش‌های Baseline (انتخاب تصادفی، حریصانه)
• 93. محدودیت‌ها و فرض‌های مدل پیشنهادی
• 94. بسط‌ها و جهت‌گیری‌های تحقیقاتی آینده
• 95. کاربرد در طراحی آزمایشات (Design of Experiments)
• 96. جمع‌بندی مفاهیم کلیدی و دستاوردهای دوره
• 97. مرور چارچوب انتخاب هوشمندانه سایت
• 98. تأثیر آینده انتخاب هوشمندانه سایت بر علم و صنعت
• 99. مسائل باز و چالش‌های حل‌نشده در این حوزه
• 100. پرسش و پاسخ نهایی و بحث