کتاب صوتی استنتاج ذهنی: رمزگشایی شواهد با مدل‌های بیزی و معیارهای علامت‌دار

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استنتاج ذهنی: رمزگشایی شواهد با مدل‌های بیزی و معیارهای علامت‌دار

موضوع کلی: مدل‌سازی عدم قطعیت و استنتاج پیشرفته

موضوع میانی: چارچوب‌های ریاضی و احتمالی برای استنتاج ذهنی

📋 سرفصل‌های دوره

• 1. بخش اول: مبانی عدم قطعیت و استنتاج**
• 2. مقدمه‌ای بر استنتاج و نقش آن در علم و شناخت
• 3. عدم قطعیت: منابع، انواع و چالش‌ها
• 4. تاریخچه تفکر احتمالی: از بازی‌های شانس تا علم داده
• 5. مبانی نظریه احتمالات کلاسیک: اصول کولموگروف
• 6. تفاوت‌های بنیادین: رویکرد فراوانی‌گرا (Frequentist) در برابر بیزی (Bayesian)
• 7. متغیرهای تصادفی و توزیع‌های احتمال
• 8. احتمال شرطی و استقلال رویدادها
• 9. قانون احتمال کل و زنجیره احتمالات
• 10. معرفی قضیه بیز: قلب استنتاج مدرن
• 11. تفسیر اجزای قضیه بیز: پیشین، درستنمایی، پسین و شواهد
• 12. استنتاج استقرایی، استنتاج قیاسی و استنتاج ربایشی (Abductive)
• 13. مدل‌سازی جهان: از مدل‌های قطعی تا مدل‌های احتمالی
• 14. اطلاعات، آنتروپی و ارتباط آن با عدم قطعیت
• 15. پارادوکس‌های نظریه احتمالات کلاسیک
• 16. چرا به چیزی فراتر از احتمالات استاندارد نیاز داریم؟
• 17. بخش دوم: چارچوب استنتاج بیزی**
• 18. احتمال پیشین (Prior): کمی‌سازی باورهای اولیه
• 19. انتخاب توزیع پیشین: پیشین‌های آگاهانه در برابر ناآگاهانه
• 20. پیشین‌های مزدوج (Conjugate Priors) و سهولت محاسباتی
• 21. تابع درستنمایی (Likelihood): پل ارتباطی بین داده و پارامتر
• 22. اصل درستنمایی و پیامدهای آن
• 23. توزیع پسین (Posterior): تلفیق باور و شواهد
• 24. استنتاج پسین: برآورد نقطه‌ای و فاصله‌ای
• 25. توزیع‌های پیش‌بینی‌کننده پسین (Posterior Predictive Distributions)
• 26. روش‌های محاسباتی: چرا به شبیه‌سازی نیاز داریم؟
• 27. مقدمه‌ای بر روش‌های زنجیره مارکوف مونت کارلو (MCMC)
• 28. الگوریتم متروپلیس-هیستینگز (Metropolis-Hastings)
• 29. نمونه‌گیری گیبز (Gibbs Sampling)
• 30. بررسی همگرایی در الگوریتم‌های MCMC
• 31. مدل‌های سلسله مراتبی بیزی (Hierarchical Bayesian Models)
• 32. مقایسه مدل‌ها: فاکتور بیز و معیار اطلاعاتی انحراف (DIC)
• 33. بخش سوم: ورود به حیطه استنتاج ذهنی**
• 34. احتمال ذهنی (Subjective Probability) چیست؟
• 35. قضیه نمایش دی فینتی (de Finetti's Representation Theorem)
• 36. نقش باورها، سوگیری‌ها و شهود در استنتاج انسانی
• 37. سوگیری تأیید (Confirmation Bias) و چالش آن برای مدل‌های عقلانی
• 38. محدودیت‌های احتمالات استاندارد در مدل‌سازی ناباوری و تعارض
• 39. شواهد متناقض: چگونه آن را مدل‌سازی کنیم؟
• 40. نیاز به یک چارچوب ریاضی غنی‌تر: فراتر از مقادیر مثبت
• 41. معرفی ایده معیارهای علامت‌دار (Signed Measures)
• 42. باور (Belief) در برابر ناباوری (Disbelief)
• 43. چارچوب‌های جایگزین: نظریه دمپستر-شفر (Dempster-Shafer)
• 44. چارچوب‌های جایگزین: نظریه امکان (Possibility Theory)
• 45. روانشناسی استنتاج: مدل‌های توصیفی در برابر مدل‌های تجویزی
• 46. اهمیت مدل‌سازی فرآیندهای شناختی در هوش مصنوعی
• 47. آیا ماشین‌ها می‌توانند استنتاج ذهنی داشته باشند؟
• 48. به سوی یک نظریه عمومی استنتاج ذهنی
• 49. بخش چهارم: مبانی ریاضی معیارهای علامت‌دار**
• 50. مقدمه‌ای بر نظریه اندازه (Measure Theory)
• 51. فضاهای قابل اندازه‌گیری و سیگما-جبرها
• 52. تعریف اندازه (Measure) و خواص آن
• 53. اندازه احتمال به عنوان یک حالت خاص
• 54. تعریف معیار علامت‌دار (Signed Measure)
• 55. تفاوت‌های کلیدی بین اندازه و معیار علامت‌دار
• 56. قضیه تجزیه هان (Hahn Decomposition): تفکیک مجموعه‌های مثبت و منفی
• 57. قضیه تجزیه جردن (Jordan Decomposition): نمایش معیار علامت‌دار بر حسب دو اندازه
• 58. مجموعه تهی (Null Set) در معیارهای علامت‌دار
• 59. انتگرال‌گیری نسبت به یک معیار علامت‌دار
• 60. قضیه رادون-نیکودیم (Radon-Nikodym Theorem) برای معیارهای علامت‌دار
• 61. فضاهای L_p برای معیارهای علامت‌دار
• 62. همگرایی دنباله‌ای از معیارهای علامت‌دار
• 63. کاربرد معیارهای علامت‌دار در فیزیک و اقتصاد
• 64. چرا این ریاضیات برای مدل‌سازی شناخت قدرتمند است؟
• 65. بخش پنجم: چارچوب استنتاج ذهنی با معیارهای علامت‌دار**
• 66. بازتعریف فضای باور با استفاده از معیارهای علامت‌دار
• 67. معیار پیشین علامت‌دار: مدل‌سازی همزمان باور و ناباوری اولیه
• 68. تابع درستنمایی علامت‌دار: شواهدی که تأیید یا تکذیب می‌کنند
• 69. فرمول‌بندی قضیه بیز برای معیارهای علامت‌دار
• 70. به‌روزرسانی باور و ناباوری با مشاهده شواهد
• 71. تفسیر معیار پسین علامت‌دار: معنای مقادیر منفی چیست؟
• 72. مفهوم "مجموعه شواهد" (Marginal Likelihood) در این چارچوب
• 73. تأیید فرضیه (Confirmation) در استنتاج ذهنی
• 74. رد فرضیه (Disconfirmation) در استنتاج ذهنی
• 75. مدل‌سازی ابهام و عدم تصمیم‌گیری
• 76. پویایی باور: مدل‌سازی تغییرات باور در طول زمان
• 77. فیلتر کالمن ذهنی (Subjective Kalman Filter)
• 78. مقایسه مدل‌ها در چارچوب استنتاج ذهنی
• 79. چالش‌های محاسباتی در کار با معیارهای علامت‌دار
• 80. شبیه‌سازی از توزیع‌های پسین علامت‌دار
• 81. مدل‌سازی استدلال زنجیره‌ای با شواهد متناقض
• 82. تحلیل حساسیت نسبت به پیشین‌های علامت‌دار
• 83. تئوری تصمیم‌گیری بر اساس باورهای علامت‌دار
• 84. مطلوبیت مورد انتظار در جهان باورهای ذهنی
• 85. یکپارچه‌سازی یادگیری و استنتاج در چارچوب ذهنی
• 86. بخش ششم: کاربردها، چالش‌ها و آینده**
• 87. کاربرد در علوم شناختی: مدل‌سازی قضاوت انسان
• 88. کاربرد در حقوق: مدل‌سازی تصمیم‌گیری هیئت منصفه
• 89. کاربرد در پزشکی: ترکیب نظرات متناقض متخصصان
• 90. کاربرد در هوش مصنوعی: ساخت عامل‌های استدلال‌گر قوی‌تر
• 91. کاربرد در امور مالی: مدل‌سازی احساسات بازار و حباب‌های قیمتی
• 92. پردازش زبان طبیعی: تحلیل احساسات و تشخیص اخبار جعلی
• 93. محدودیت‌های چارچوب استنتاج ذهنی
• 94. مسائل باز و مسیرهای تحقیقاتی آینده
• 95. ملاحظات اخلاقی در ساخت ماشین‌های با استنتاج ذهنی
• 96. جمع‌بندی نهایی: قدرت رمزگشایی شواهد با استنتاج ذهنی