کتاب صوتی استنتاج علی قدرتمند با شبکه‌های عصبی: از تئوری تا پیاده‌سازی مدل‌های متوازن

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استنتاج علی قدرتمند با شبکه‌های عصبی: از تئوری تا پیاده‌سازی مدل‌های متوازن

موضوع کلی: استنتاج علی با رویکردهای مدرن

موضوع میانی: تخمین اثرات مداخله (Treatment Effects) در داده‌های ابعاد بالا

📋 سرفصل‌های دوره

• 1. مبانی استنتاج علی: معرفی و مفاهیم کلیدی
• 2. علت، معلول و همبستگی: تمایزات اساسی
• 3. چارچوب Rubin Causal Model (RCM)
• 4. مفروضات اساسی در استنتاج علی: تبادل‌پذیری، مثبت بودن، سازگاری
• 5. تخمین‌گرهای کلاسیک اثرات مداخله: تفاوت در میانگین‌ها (Difference in Means)
• 6. Matching: روش‌های تطبیق نمونه‌ها
• 7. Propensity Score Matching (PSM)
• 8. وزن‌دهی معکوس احتمال مداخله (Inverse Probability Weighting - IPW)
• 9. تخمین‌گر G-Formula
• 10. Adjusted Outcome Regression
• 11. علت‌جویی با متغیرهای ابزاری (Instrumental Variables - IV)
• 12. متغیرهای ابزاری: مفروضات و چالش‌ها
• 13. Regression Discontinuity Design (RDD)
• 14. طراحی رگرسیون ناپیوسته: انواع و کاربردها
• 15. تفاوت در تفاوت‌ها (Difference-in-Differences - DID)
• 16. DID: مفروضات و تست‌های تشخیصی
• 17. چالش‌های استنتاج علی در داده‌های مشاهده‌ای
• 18. مغایرت (Bias) در استنتاج علی: انواع و منابع
• 19. سوگیری انتخاب (Selection Bias)
• 20. سوگیری اندازه‌گیری (Measurement Bias)
• 21. سوگیری متغیر حذف‌شده (Omitted Variable Bias)
• 22. استنتاج علی در داده‌های ابعاد بالا: چالش‌ها و رویکردها
• 23. معرفی یادگیری ماشین برای استنتاج علی
• 24. یادگیری ماشین برای تخمین Propensity Score
• 25. یادگیری ماشین برای تخمین توابع پاسخ
• 26. شبکه‌های عصبی: مبانی و معماری‌ها
• 27. شبکه‌های عصبی پیشخور (Feedforward Neural Networks)
• 28. شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks)
• 29. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks)
• 30. مقدمه‌ای بر شبکه‌های عصبی متوازن (Balanced Neural Networks)
• 31. ایده اصلی شبکه‌های عصبی متوازن
• 32. هدف از متوازن‌سازی در شبکه‌های عصبی
• 33. معیارهای متوازن‌سازی: MMD، Wasserstein Distance
• 34. شبکه‌های عصبی متوازن: معماری و تابع هزینه
• 35. پیاده‌سازی شبکه‌های عصبی متوازن در پایتون
• 36. استفاده از TensorFlow و PyTorch برای شبکه‌های عصبی متوازن
• 37. تنظیم هایپرپارامترها در شبکه‌های عصبی متوازن
• 38. ارزیابی عملکرد شبکه‌های عصبی متوازن
• 39. مقایسه شبکه‌های عصبی متوازن با روش‌های کلاسیک
• 40. تخمین اثرات مداخله با شبکه‌های عصبی متوازن
• 41. تخمین اثر میانگین مداخله (Average Treatment Effect - ATE)
• 42. تخمین اثر میانگین مداخله بر روی جمعیت تحت مداخله (Average Treatment Effect on the Treated - ATT)
• 43. تخمین اثر میانگین مداخله بر روی جمعیت غیر تحت مداخله (Average Treatment Effect on the Untreated - ATU)
• 44. تخمین اثرات شرطی مداخله (Conditional Average Treatment Effects - CATE)
• 45. شناسایی زیرگروه‌های ناهمگن در اثرات مداخله
• 46. استفاده از شبکه‌های عصبی متوازن برای تخمین ناهمگنی اثرات
• 47. درخت‌های تصمیم و جنگل‌های تصادفی برای شناسایی زیرگروه‌ها
• 48. ارزیابی روایی تخمین‌ها: حساسیت به مفروضات
• 49. تحلیل حساسیت به مفروضات تبادل‌پذیری
• 50. تحلیل حساسیت به مفروضات مثبت بودن
• 51. تحلیل حساسیت به مفروضات سازگاری
• 52. روش‌های تقویت Robustness در استنتاج علی
• 53. استفاده از اطلاعات محدودکننده (Bounding Techniques)
• 54. استفاده از متغیرهای جانشین (Proxy Variables)
• 55. استفاده از اطلاعات تخصصی (Expert Knowledge)
• 56. تعبیرپذیری مدل‌های استنتاج علی مبتنی بر یادگیری ماشین
• 57. اهمیت ویژگی‌ها (Feature Importance)
• 58. مقادیر شیپلی (Shapley Values)
• 59. مقدمه‌ای بر استنتاج علی با داده‌های سری زمانی
• 60. استنتاج علی پویا (Dynamic Causal Inference)
• 61. مدل‌های فضاهای حالت (State-Space Models)
• 62. مدل‌های VAR (Vector Autoregression)
• 63. استنتاج علی با داده‌های شبکه‌ای (Network Data)
• 64. تخمین اثرات مداخله در شبکه‌های اجتماعی
• 65. انتشار اطلاعات و اثرات همسایگی
• 66. مقدمه‌ای بر استنتاج علی counterfactual
• 67. استنتاج counterfactual و تصمیم‌گیری
• 68. یادگیری تقویتی علی (Causal Reinforcement Learning)
• 69. کاربرد استنتاج علی در سیاست‌گذاری عمومی
• 70. کاربرد استنتاج علی در پزشکی
• 71. کاربرد استنتاج علی در اقتصاد
• 72. کاربرد استنتاج علی در علوم اجتماعی
• 73. کاربرد استنتاج علی در بازاریابی
• 74. ملاحظات اخلاقی در استنتاج علی
• 75. حریم خصوصی و تبعیض در مدل‌های استنتاج علی
• 76. داده‌های مغرضانه و اثرات ناخواسته
• 77. چالش‌های پیاده‌سازی مدل‌های استنتاج علی در مقیاس بزرگ
• 78. بهینه‌سازی عملکرد مدل‌ها
• 79. مقابله با داده‌های گم‌شده (Missing Data)
• 80. مقابله با داده‌های نویزی (Noisy Data)
• 81. توسعه کتابخانه‌های نرم‌افزاری برای استنتاج علی
• 82. مقایسه کتابخانه‌های موجود در پایتون (EconML, DoWhy)
• 83. نوشتن توابع سفارشی برای استنتاج علی
• 84. کاربرد شبکه‌های عصبی متوازن در سناریوهای شبیه‌سازی‌شده
• 85. تولید داده‌های شبیه‌سازی‌شده با ساختار علی
• 86. ارزیابی عملکرد روش‌ها در داده‌های شبیه‌سازی‌شده
• 87. کاربرد شبکه‌های عصبی متوازن در داده‌های واقعی (case studies)
• 88. مطالعه موردی 1: تخمین اثر یک مداخله بهداشتی
• 89. مطالعه موردی 2: تخمین اثر یک سیاست اقتصادی
• 90. مطالعه موردی 3: تخمین اثر یک کمپین بازاریابی
• 91. توسعه و بهبود شبکه‌های عصبی متوازن
• 92. ترکیب با سایر روش‌های یادگیری ماشین
• 93. استفاده از معماری‌های پیشرفته‌تر شبکه‌های عصبی
• 94. مباحث پیشرفته در استنتاج علی: Nonparametric identification
• 95. مباحث پیشرفته در استنتاج علی: Semi-parametric estimation
• 96. مباحث پیشرفته در استنتاج علی: Causal Discovery
• 97. آینده استنتاج علی و یادگیری ماشین
• 98. چالش‌های پیش رو و مسیرهای تحقیقاتی آینده
• 99. بحث و تبادل نظر در مورد کاربردهای مختلف استنتاج علی
• 100. جمع‌بندی و نتیجه‌گیری