کتاب صوتی یادگیری کارآمد مدل‌های کنترل مصنوعی برای داده‌های تفکیک‌شده با ابعاد بالا با استفاده از Multivariate Square-root Lasso

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری کارآمد مدل‌های کنترل مصنوعی برای داده‌های تفکیک‌شده با ابعاد بالا با استفاده از Multivariate Square-root Lasso

موضوع کلی: روش‌های آماری برای تحلیل علّی در داده‌های پیچیده

موضوع میانی: کنترل مصنوعی و مدل‌سازی در داده‌های با ابعاد بالا

📋 سرفصل‌های دوره

• 1. مبانی تحلیل علّی و اهمیت آن
• 2. مقدمه‌ای بر مدل‌های کنترل مصنوعی (SCM)
• 3. مروری بر چالش‌های تحلیل علّی در داده‌های پیچیده
• 4. داده‌های تفکیک‌شده و اهمیت آن‌ها در تحلیل علّی
• 5. معرفی Multivariate Square-root Lasso (MSL)
• 6. مزایای استفاده از MSL در مدل‌سازی کنترل مصنوعی
• 7. مروری بر ساختار مقاله "Efficiently Learning Synthetic Control Models for High-dimensional Disaggregated Data"
• 8. شناخت و درک داده‌های با ابعاد بالا
• 9. اثرات مداخله و اندازه‌گیری آن
• 10. آشنایی با متغیرهای هم‌پوشانی و اهمیت آن‌ها
• 11. تفاوت بین مدل‌های کنترل مصنوعی کلاسیک و مدرن
• 12. مفاهیم اساسی در SCM: وزن‌دهی به واحدهای کنترل
• 13. انتخاب واحدهای کنترل مناسب
• 14. ارزیابی کیفیت مدل‌های کنترل مصنوعی
• 15. شاخص‌های ارزیابی عملکرد مدل (MSE، RMSE، MAE)
• 16. معرفی نرم‌افزارهای مورد استفاده در SCM
• 17. نصب و راه‌اندازی نرم‌افزارهای R و Python برای SCM
• 18. کتابخانه‌های ضروری R و Python برای MSL (glmnet, scikit-learn)
• 19. پیش‌پردازش داده‌ها: پاکسازی و آماده‌سازی داده‌ها
• 20. اهمیت استانداردسازی داده‌ها
• 21. روش‌های مختلف استانداردسازی داده‌ها
• 22. بررسی داده‌های گمشده و روش‌های مقابله با آن‌ها
• 23. شناسایی داده‌های پرت و حذف آن‌ها
• 24. انتخاب ویژگی‌ها و کاهش ابعاد
• 25. مروری بر روش‌های کاهش ابعاد (PCA، t-SNE)
• 26. پیاده‌سازی PCA برای کاهش ابعاد در داده‌های SCM
• 27. مبانی رگرسیون Lasso و Square-root Lasso
• 28. منطق پشت Square-root Lasso
• 29. معادلات و فرمول‌های ریاضی MSL
• 30. پیاده‌سازی MSL در R و Python
• 31. تنظیم پارامترهای MSL: انتخاب λ
• 32. روش‌های اعتبارسنجی متقابل برای انتخاب λ
• 33. اعتبارسنجی k-fold برای تنظیم λ
• 34. مقایسه MSL با سایر روش‌های انتخاب ویژگی
• 35. مزایا و معایب MSL در مقایسه با روش‌های دیگر
• 36. تفسیر نتایج MSL: وزن‌های واحدها
• 37. ارزیابی اثرات مداخله با استفاده از MSL
• 38. محاسبه خطاهای استاندارد در SCM
• 39. ساخت بازه‌های اطمینان برای اثرات مداخله
• 40. ارائه نتایج SCM: نمودارها و جداول
• 41. تفسیر نمودارهای سری‌های زمانی
• 42. بررسی عدم تقارن در داده‌ها و راه‌حل‌ها
• 43. اثرات همزمان چندین مداخله
• 44. تحلیل حساسیت: بررسی تغییرات در پارامترها
• 45. اعتبارسنجی مدل: تست‌های robustness
• 46. بررسی فرضیات SCM
• 47. چگونه فرضیات SCM را ارزیابی کنیم
• 48. مدل‌سازی کنترل مصنوعی در مسائل بهداشت و درمان
• 49. مدل‌سازی کنترل مصنوعی در اقتصاد
• 50. مدل‌سازی کنترل مصنوعی در سیاست‌گذاری
• 51. مثال‌های کاربردی: تحلیل اثرات یک سیاست خاص
• 52. مطالعه موردی: تحلیل اثرات یک مداخله در یک شهر
• 53. مطالعه موردی: اثرات یک قانون جدید بر روی بازار
• 54. چالش‌های داده‌های تاریخی و راه‌حل‌ها
• 55. مدل‌سازی پویایی‌های سری‌های زمانی
• 56. مدل‌سازی داده‌های پانل
• 57. آشنایی با مفاهیم Causality
• 58. نقش Backdoor Adjustment در تحلیل علّی
• 59. نقش Frontdoor Adjustment در تحلیل علّی
• 60. مقایسه روش‌های علّی‌شناسی
• 61. آشنایی با ساختار causal graph
• 62. آشنایی با روشهای causal inference
• 63. بررسی روش‌های علّی‌شناسی مبتنی بر داده‌های مشاهده‌ای
• 64. بررسی روش‌های علّی‌شناسی مبتنی بر آزمایش‌های کنترل‌شده تصادفی
• 65. استفاده از SCM برای تحلیل آزمایش‌های کنترل‌شده تصادفی (RCTs)
• 66. کاربرد SCM در تحلیل داده‌های با ساختار پیچیده
• 67. استفاده از SCM برای داده‌های جغرافیایی
• 68. استفاده از SCM برای داده‌های شبکه‌ای
• 69. مدل‌های پیشرفته‌تر SCM: SCM با متغیرهای پنهان
• 70. مدل‌سازی با داده‌های با ابعاد بسیار بالا
• 71. مدل‌سازی با تعداد واحد‌های کنترل کم
• 72. مقایسه MSL با روش‌های یادگیری ماشین برای SCM
• 73. یادگیری ماشینی و تحلیل علّی: پیوندها و تفاوت‌ها
• 74. بهبود عملکرد مدل با استفاده از یادگیری تقویتی
• 75. بهبود عملکرد مدل با استفاده از شبکه‌های عصبی
• 76. کاربرد هوش مصنوعی در SCM
• 77. آشنایی با کتابخانه‌های تخصصی SCM در R و Python
• 78. استفاده از Parallel computing برای افزایش سرعت محاسبات
• 79. بهینه‌سازی کد برای عملکرد بهتر
• 80. مدیریت و سازماندهی پروژه‌های SCM
• 81. آزمایش و ارزیابی مدل در محیط‌های مختلف
• 82. نقش داده‌های خارجی در بهبود دقت مدل
• 83. بهره‌گیری از داده‌های ترکیبی (Combination of datasets)
• 84. ملاحظات اخلاقی در استفاده از SCM
• 85. آینده‌ی مدل‌سازی کنترل مصنوعی
• 86. چشم‌انداز SCM در حوزه‌های مختلف
• 87. آموزش گام به گام: از داده تا نتیجه
• 88. عیب‌یابی و حل مشکلات رایج در SCM
• 89. استفاده از SCM در محیط‌های غیر ایده‌آل
• 90. به اشتراک گذاشتن نتایج و یافته‌ها
• 91. اهمیت گزارش‌نویسی و مستندسازی در SCM
• 92. معرفی ابزارها برای تجسم داده‌ها در SCM
• 93. بررسی آخرین مقالات و تحقیقات در حوزه SCM
• 94. بررسی پایداری و ثبات مدل‌های SCM
• 95. محدودیت‌های SCM و راه‌های غلبه بر آن‌ها
• 96. جمع‌بندی و نتیجه‌گیری
• 97. منابع و مراجع