کتاب صوتی تخمین علّی بدون سوگیری در مدل‌های خطی تعمیم‌یافته پربعد با نتایج دودویی (Debiased Causal Estimation in High-Dimensional Generalized Linear Models with Binary Outcomes)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تخمین علّی بدون سوگیری در مدل‌های خطی تعمیم‌یافته پربعد با نتایج دودویی (Debiased Causal Estimation in High-Dimensional Generalized Linear Models with Binary Outcomes)

موضوع کلی: استنتاج علّی (Causal Inference)

موضوع میانی: مدل‌سازی علّی در داده‌های پربعد (Causal Modeling in High-Dimensional Data)

📋 سرفصل‌های دوره

• 1. مبانی استنتاج علّی: مقدمه و مفاهیم کلیدی
• 2. معرفی علّیت و تفاوت آن با همبستگی
• 3. متغیرهای مداخله‌گر (Confounders) و اهمیت کنترل آن‌ها
• 4. معرفی نتایج بالقوه (Potential Outcomes)
• 5. تابع درمان (Treatment Effect) و انواع آن: ATE, ATT, ATC
• 6. آشنایی با نمودارهای علّی (Directed Acyclic Graphs - DAGs)
• 7. تشخیص علّیت با استفاده از DAGs
• 8. کنترل مداخله‌گرها: روش‌های کلاسیک
• 9. روش‌های استانداردسازی (Standardization)
• 10. روش‌های تطبیق (Matching)
• 11. رگرسیون و تنظیم کوواریانس (Covariate Adjustment)
• 12. چالش‌های داده‌های پربعد
• 13. معرفی داده‌های پربعد و مشکلات آن‌ها
• 14. curse of dimensionality و اثر آن بر استنتاج علّی
• 15. اهمیت انتخاب متغیرها در داده‌های پربعد
• 16. نویز (Noise) و اثر آن بر تخمین علّی
• 17. مروری بر مدل‌های خطی تعمیم‌یافته (GLMs)
• 18. مقدمه ای بر GLMs و کاربردهای آن‌ها
• 19. تابع پیوند (Link Function) و انتخاب آن
• 20. مدل‌های لجستیک (Logistic Regression) و کاربرد آن در نتایج دودویی
• 21. مدل‌های پروبیت (Probit Regression)
• 22. تخمین پارامترها در GLMs: MLE
• 23. مقدمه‌ای بر روش‌های Regularization
• 24. معرفی L1 Regularization (LASSO) و L2 Regularization (Ridge)
• 25. انتخاب پارامترهای Regularization: Cross-Validation
• 26. Regularization در مدل‌های خطی تعمیم‌یافته
• 27. استنتاج علّی در مدل‌های خطی تعمیم‌یافته پربعد
• 28. مدل‌سازی علّی با استفاده از GLMs و داده‌های پربعد
• 29. معرفی روش Debiasing
• 30. اصول روش Debiased Machine Learning
• 31. الگوریتم Debiased Lasso
• 32. تخمین درمان در حضور داده‌های پربعد
• 33. بررسی مقایسه‌ای روش‌های مختلف تخمین درمان
• 34. مدل‌سازی انتخابی (Selection Bias)
• 35. تأثیر متغیرهای تعدیل‌کننده (Effect Modifiers)
• 36. برآورد درمان در زیرگروه‌ها
• 37. پیاده‌سازی الگوریتم‌های Debiasing
• 38. پیاده‌سازی Debiased Lasso
• 39. تخمین خطاهای استاندارد
• 40. آزمون‌های فرضیه برای درمان
• 41. فواصل اطمینان برای تخمین درمان
• 42. اعتبارسنجی مدل
• 43. ارزیابی عملکرد مدل
• 44. روش‌های Bootstrapping
• 45. تحلیل حساسیت
• 46. مقایسه روش‌های مختلف در داده‌های شبیه‌سازی شده
• 47. انتخاب مدل و تنظیم پارامترها
• 48. شناسایی متغیرهای مهم (Feature Selection)
• 49. مدل‌سازی تعاملی (Interaction Effects)
• 50. مدل‌سازی غیرخطی
• 51. بهبود مدل با استفاده از داده‌های بیشتر
• 52. اثرات تعاملی متغیرها و چالش‌های آن‌ها
• 53. درمان‌های چندمقدار (Multiple Treatments)
• 54. نتایج چندگانه (Multiple Outcomes)
• 55. ادغام داده‌ها از منابع مختلف
• 56. نرم‌افزارهای مورد استفاده در استنتاج علّی
• 57. معرفی کتابخانه‌های R برای استنتاج علّی
• 58. معرفی کتابخانه‌های Python برای استنتاج علّی
• 59. کتابخانه‌های دیگر و ابزارهای کاربردی
• 60. بهترین روش‌ها و نکات کلیدی در استنتاج علّی
• 61. محدودیت‌های روش‌های مبتنی بر Debiasing
• 62. بررسی فرضیات کلیدی
• 63. چالش‌های مربوط به داده‌های گمشده
• 64. اثرات خارج از توزیع (Out-of-Distribution Effects)
• 65. معرفی تکنیک‌های پیشرفته‌تر: Double/Debiased Machine Learning (DML)
• 66. DML برای تخمین درمان
• 67. DML و انتخاب مدل
• 68. DML و تخمین خطاهای استاندارد
• 69. DML و مدل‌های غیرخطی
• 70. بررسی تئوری DML
• 71. DML و داده‌های پیچیده
• 72. روش‌های مبتنی بر درخت (Tree-Based Methods)
• 73. معرفی روش‌های درختی و جنگل‌های تصادفی
• 74. استنتاج علّی با استفاده از درخت‌های درمانی (Causal Trees)
• 75. جنگل‌های درمانی (Causal Forests)
• 76. روش‌های مبتنی بر یادگیری تقویتی (Reinforcement Learning)
• 77. مقدمه ای بر یادگیری تقویتی در استنتاج علّی
• 78. کاربرد یادگیری تقویتی برای تصمیم‌گیری علّی
• 79. مقایسه روش‌های مختلف: مزایا و معایب
• 80. انتخاب روش مناسب برای داده‌های مختلف
• 81. طراحی مطالعات علّی
• 82. مباحث پیشرفته: استنتاج علّی در زمان
• 83. استنتاج علّی و داده‌های سری زمانی
• 84. استنتاج علّی و داده‌های پانل (Panel Data)
• 85. مباحث پیشرفته: مدل‌های پویا
• 86. بررسی دقیق تر فرضیات علّی
• 87. تأثیر خطای اندازه‌گیری بر نتایج
• 88. بررسی داده‌های واقعی و مطالعات موردی
• 89. مثال‌های کاربردی از حوزه‌های مختلف
• 90. کاربردها در علوم پزشکی
• 91. کاربردها در اقتصاد
• 92. کاربردها در بازاریابی
• 93. اخلاقیات در استنتاج علّی
• 94. حفظ حریم خصوصی و امنیت داده‌ها
• 95. مسئولیت‌پذیری در استفاده از مدل‌های علّی
• 96. آینده استنتاج علّی
• 97. جهت‌گیری‌های تحقیقاتی آینده
• 98. نقش هوش مصنوعی در استنتاج علّی
• 99. جمع‌بندی و نتیجه‌گیری
• 100. منابع و مراجع