کتاب صوتی از نویز داده تا انتخاب‌های سودمند: تصمیم‌گیری بهینه با رویکرد ASSURE

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از نویز داده تا انتخاب‌های سودمند: تصمیم‌گیری بهینه با رویکرد ASSURE

موضوع کلی: تصمیم‌گیری بهینه در شرایط عدم قطعیت

موضوع میانی: انتخاب بهینه با استفاده از برآوردگرهای آماری

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر چالش تصمیم‌گیری در دنیای داده-محور
• 2. عدم قطعیت: منبع اصلی خطا در انتخاب
• 3. نویز آماری چیست و چرا اهمیت دارد؟
• 4. مروری بر مفاهیم پایه آمار: توزیع، میانگین، واریانس
• 5. احتمال شرطی و قانون بیز: سنگ بنای استنتاج
• 6. پارامترهای واقعی در مقابل برآوردهای آماری
• 7. خطای نمونه‌گیری و محدودیت‌های داده
• 8. مسئله انتخاب: انتخاب بهترین‌ها از میان یک مجموعه
• 9. مثال‌های کلاسیک از مسائل انتخاب: از کشاورزی تا مالی
• 10. تصمیم‌گیری مرکب (Compound Decision) چیست؟
• 11. چرا تصمیم‌گیری‌های منفرد و مرکب با هم تفاوت دارند؟
• 12. رویکردهای سنتی به مسئله انتخاب
• 13. قانون انتخاب طبیعی (Naive Selection): انتخاب بر اساس بالاترین برآورد
• 14. دام‌های قانون انتخاب طبیعی: نفرین برنده (Winner's Curse)
• 15. تورِش انتخاب (Selection Bias) و پیامدهای آن
• 16. مبانی نظریه تصمیم: تابع زیان (Loss Function)
• 17. تعریف تابع زیان صفر و یک برای مسئله انتخاب
• 18. تابع ریسک (Risk Function): میانگین زیان
• 19. هدف نهایی: بهینه‌سازی و کمینه‌سازی ریسک
• 20. معرفی پدیده استاین (Stein's Phenomenon)
• 21. تناقض استاین: چرا میانگین نمونه همیشه بهترین برآوردگر نیست؟
• 22. برآوردگر جیمز-استاین (James-Stein Estimator)
• 23. مفهوم انقباض (Shrinkage) در برآوردگرها
• 24. شهود پشت انقباض: قرض گرفتن اطلاعات از دیگران
• 25. برآوردگرهای انقباضی و کاهش خطای میانگین مربعات (MSE)
• 26. معرفی لم استاین (Stein's Lemma)
• 27. برآورد ریسک بدون سوگیری استاین (SURE: Stein's Unbiased Risk Estimate)
• 28. SURE چیست؟ تخمین ریسک بدون دانستن حقیقت
• 29. استخراج فرمول SURE برای توزیع نرمال با واریانس مشخص
• 30. تفسیر اجزای فرمول SURE: بخش تجربی و بخش واگرایی
• 31. چگونه SURE به ما اجازه می‌دهد ریسک یک برآوردگر را تخمین بزنیم؟
• 32. کاربرد SURE برای انتخاب یک برآوردگر بهینه
• 33. بهینه‌سازی پارامتر انقباض با استفاده از SURE
• 34. مقایسه SURE با روش‌های اعتبارسنجی متقابل (Cross-Validation)
• 35. محدودیت‌ها و فرضیات اولیه رویکرد SURE
• 36. تعمیم SURE برای خانواده توزیع‌های نمایی
• 37. بازگشت به مسئله انتخاب مرکب: فرمول‌بندی جدید
• 38. تعریف زیان مرکب: مجموع زیان‌های تصمیمات منفرد
• 39. کشف‌های اشتباه (False Discoveries) و عدم کشف‌ها (False Non-discoveries)
• 40. ارتباط بین تابع زیان و نرخ کشف اشتباه (FDR)
• 41. هدف: ساخت یک قانون انتخاب با ریسک مرکب کمینه
• 42. رویکرد ASSURE (Almost SURE) برای تصمیم‌گیری مرکب
• 43. ایده اصلی ASSURE: استفاده از SURE برای تخمین ریسک مرکب
• 44. گام اول ASSURE: تعریف خانواده‌ای از قوانین انتخاب
• 45. گام دوم ASSURE: محاسبه تخمین SURE برای ریسک هر قانون
• 46. گام سوم ASSURE: انتخاب قانونی که تخمین SURE را کمینه می‌کند
• 47. الگوریتم گام به گام پیاده‌سازی رویکرد ASSURE
• 48. انتخاب آستانه بهینه با استفاده از ASSURE
• 49. مقایسه رویکرد ASSURE با کنترل نرخ کشف اشتباه (FDR Control)
• 50. مزایای ASSURE: بهینه‌سازی مستقیم ریسک به جای کنترل آن
• 51. روش‌های بیزی تجربی (Empirical Bayes) به عنوان یک دیدگاه موازی
• 52. ارتباط عمیق بین برآوردگرهای جیمز-استاین و رویکرد بیزی تجربی
• 53. تفسیر انقباض به عنوان حرکت به سمت یک پیشین (Prior) مشترک
• 54. ASSURE در عمل: انتخاب ژن‌های کلیدی در داده‌های Microarray
• 55. کاربرد در علوم مالی: انتخاب سبد سهام بهینه
• 56. کاربرد در بازاریابی: انتخاب کمپین‌های تبلیغاتی با بالاترین بازده
• 57. کاربرد در تست A/B: انتخاب چندین نسخه برنده به صورت همزمان
• 58. تحلیل حساسیت رویکرد ASSURE نسبت به فرضیات
• 59. بررسی عملکرد ASSURE در شرایط واریانس‌های نامعلوم و نابرابر
• 60. تکنیک‌های تخمین واریانس در مسائل واقعی
• 61. تطبیق رویکرد ASSURE برای داده‌های غیرنرمال
• 62. استفاده از تبدیل‌ها برای نرمال‌سازی داده‌ها
• 63. رویکردهای غیرپارامتریک و ارتباط آن با ASSURE
• 64. مفهوم تسلط (Dominance) در نظریه تصمیم
• 65. نشان دادن تسلط برآوردگر جیمز-استاین بر میانگین نمونه
• 66. چگونه ASSURE به قوانینی مسلط بر قوانین طبیعی منجر می‌شود؟
• 67. ملاحظات محاسباتی در پیاده‌سازی ASSURE
• 68. استفاده از بسته‌های نرم‌افزاری در R و Python برای محاسبات SURE
• 69. شبیه‌سازی مونت کارلو برای ارزیابی عملکرد قوانین انتخاب
• 70. طراحی یک شبیه‌سازی: تولید داده، اعمال قانون، محاسبه ریسک واقعی
• 71. مقایسه نتایج شبیه‌سازی با تخمین‌های SURE
• 72. بررسی شرایطی که رویکرد ASSURE در آن‌ها شکست می‌خورد
• 73. موضوعات پیشرفته: SURE برای مدل‌های رگرسیون
• 74. انتخاب متغیر در رگرسیون با الهام از ASSURE
• 75. ارتباط با روش‌های تنظیم‌سازی (Regularization) مانند Lasso و Ridge
• 76. دیدگاه SURE به عنوان ابزاری برای انتخاب پارامتر تنظیم‌سازی
• 77. تصمیم‌گیری مرکب در یادگیری ماشین
• 78. کاربرد در انتخاب مدل و تنظیم هایپرپارامترها
• 79. محدودیت‌های عملی: زمانی که تعداد پارامترها بسیار زیاد است
• 80. تخمین ماتریس کوواریانس و تاثیر آن بر انقباض
• 81. رویکردهای انقباضی برای ماتریس کوواریانس
• 82. مطالعه موردی اول: تحلیل داده‌های ژنتیکی و شناسایی ژن‌های مرتبط با بیماری
• 83. مطالعه موردی دوم: بهینه‌سازی پرتفوی سرمایه‌گذاری با انتخاب دارایی‌های برتر
• 84. مطالعه موردی سوم: رتبه‌بندی و انتخاب بازیکنان در تحلیل‌های ورزشی
• 85. اخلاق در تصمیم‌گیری الگوریتمی: عدالت و تورش
• 86. جمع‌بندی مفاهیم کلیدی دوره
• 87. از نویز تا سیگنال: سفر یک تحلیلگر داده
• 88. خلاصه رویکرد ASSURE: یک جعبه ابزار قدرتمند
• 89. آینده تصمیم‌گیری بهینه در شرایط عدم قطعیت
• 90. نگاهی به تحقیقات جدید و مرزهای دانش در این حوزه