اپلیکیشن اندرویدی فلش‌کارت آموزشی نابرابری نژادی در مالکیت املاک نیویورک: مدل‌سازی پیشرفته با LSTM و XGBoost برای کشف شکاف‌های پنهان

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب نابرابری نژادی در مالکیت املاک نیویورک: مدل‌سازی پیشرفته با LSTM و XGBoost برای کشف شکاف‌های پنهان

موضوع کلی: تحلیل داده‌ها و عدالت اجتماعی با یادگیری ماشین

موضوع میانی: ارزیابی نابرابری‌های نژادی و اقتصادی با هوش مصنوعی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. ## مقدمه: تقاطع یادگیری ماشین، تحلیل علّی و عدالت اجتماعی
• 2. ## **بخش ۱: مبانی تحلیل نابرابری و داده‌های املاک**
• 3. تعریف نابرابری ساختاری و نژادی در زمینه اقتصادی
• 4. مفهوم عدالت نژادی و نقش داده‌ها در ارزیابی آن
• 5. اهمیت مالکیت املاک و مسکن در انباشت ثروت (Wealth Gap)
• 6. معرفی داده‌های عمومی املاک (Tax Rolls, Deeds, GIS Data)
• 7. ساختار داده‌های سرشماری (Census Data) و سطح تراکت (Tract Level)
• 8. آشنایی با متغیرهای دموگرافیک کلیدی (Race, Ethnicity, Income)
• 9. چالش‌های اخلاقی و حفظ حریم خصوصی در تحلیل داده‌های نژادی
• 10. مقدمه‌ای بر زبان برنامه‌نویسی پایتون و کتابخانه‌های پایه (Pandas, NumPy)
• 11. مروری بر مدل‌های رگرسیون خطی ساده برای تحلیل شکاف‌ها
• 12. تعریف و محاسبه نسبت‌های عدم توازن (Disparity Ratios)
• 13. ## **بخش ۲: جمع‌آوری و پیش‌پردازش داده‌های املاک نیویورک**
• 14. دسترسی به داده‌های مالکیت املاک ایالت و شهر نیویورک (NYS/NYC)
• 15. پاک‌سازی داده‌های خام: مدیریت مقادیر گمشده و نویز (Noise)
• 16. استانداردسازی فیلدهای نام مالکان (Name Standardization)
• 17. استخراج متغیرهای ارزشی املاک (Property Value, Assessed Value)
• 18. ادغام داده‌های املاک و داده‌های جغرافیایی (Geospatial Data Merging)
• 19. تبدیل آدرس‌ها به مختصات جغرافیایی (Geocoding)
• 20. تکنیک‌های کاهش ابعاد (Dimensionality Reduction) برای داده‌های املاک
• 21. مدیریت و تفکیک انواع مالکیت (Individual vs. Corporate Ownership)
• 22. آماده‌سازی نهایی مجموعه داده برای مدل‌سازی ماشینی
• 23. تعریف متغیر هدف: نسبت مالکیت (Ownership Proportion)
• 24. ## **بخش ۳: مدل‌سازی پیشرفته برای تخصیص نژادی (Imputation Model)**
• 25. ضرورت تخصیص نژاد/قومیت در داده‌های مالکیت (Race/Ethnicity Imputation)
• 26. معرفی چارچوب مدل‌سازی BLET (Bayesian Improved Surname Estimation)
• 27. محدودیت‌های مدل‌های BLET و نیاز به روش‌های پیشرفته‌تر
• 28. اصول شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
• 29. معماری شبکه‌های حافظه طولانی کوتاه مدت (Long Short-Term Memory - LSTM)
• 30. پیاده‌سازی LSTM برای یادگیری الگوی نام‌ها و قومیت
• 31. ساخت مجموعه داده آموزش برای مدل‌سازی نام (Name Dataset)
• 32. مهندسی ویژگی (Feature Engineering) از روی نام و فامیل (Prefixes/Suffixes)
• 33. مفهوم و کاربرد Embeddingها در پردازش متن (Word Embeddings)
• 34. پیاده‌سازی و آموزش مدل LSTM Name-Only
• 35. ## **بخش ۴: ادغام زمینه جغرافیایی (Geospatial Context) و اعتبارسنجی**
• 36. نقش زمینه جغرافیایی در افزایش دقت تخصیص نژاد
• 37. محاسبه ترکیب نژادی منطقه (Tract-Level Race Composition)
• 38. ادغام خروجی LSTM با ویژگی‌های جغرافیایی (LSTM+Geo Model)
• 39. معرفی XGBoost: اصول و الگوریتم‌های درخت تقویت‌شده (Gradient Boosting)
• 40. استفاده از XGBoost به عنوان فیلتر نهایی یا مدل تلفیقی (Hybrid Model)
• 41. اعتبارسنجی مدل تخصیص نژادی (Model Validation)
• 42. معیارهای ارزیابی عملکرد مدل طبقه‌بندی (Accuracy, Precision, Recall)
• 43. محاسبه <span class="key-concept">درستی تخصیص (Imputation Accuracy)</span> برای زیرگروه‌های نژادی
• 44. روش‌های کاهش سوگیری در مدل‌های تخصیص نژادی
• 45. تفسیر و تحلیل نتایج تخصیص نژاد (89.2% Accuracy)
• 46. ## **بخش ۵: تحلیل نابرابری نژادی در مالکیت املاک**
• 47. تعریف متغیرهای پیامد اصلی (Ownership Count vs. Population Count)
• 48. محاسبه سهم نسبی (Proportional Share) مالکیت املاک بر اساس نژاد
• 49. محاسبه نسبت سهم املاک به سهم جمعیت (Disparity Ratio: Ownership/Population)
• 50. تحلیل شکاف‌ها (Gaps) در مالکیت: سفید در مقابل اقلیت‌ها (Black, Hispanic, Asian)
• 51. تجزیه و تحلیل ارزش املاک (Property Value Disparity) بر اساس نژاد مالک
• 52. مقایسه الگوهای مالکیت در سطح ایالت (Full Model) در مقابل شهر نیویورک (NYC Model)
• 53. بصری‌سازی داده‌های نابرابری با استفاده از نمودارهای ستونی و نمودار‌های دایره‌ای
• 54. تفسیر یافته‌های کلیدی: <span class="key-concept">سفید، سهم نامتناسب (Disproportionate Share)</span>
• 55. تحلیل همبستگی بین نسبت مالکیت و میانگین درآمد منطقه
• 56. مفهوم و اهمیت <span class="key-concept">شاخص جداسازی (Segregation Index)</span> در تحلیل املاک
• 57. ## **بخش ۶: بررسی اثر زمینه محله (Neighborhood Context)**
• 58. تعریف و دسته‌بندی محله‌ها بر اساس اکثریت نژادی (Majority-White, -Black, -Hispanic, -Asian Tracts)
• 59. تحلیل شکاف مالکیت در محله‌های با اکثریت اقلیت
• 60. مطالعه موردی: مالکیت املاک عمدتاً سفید در محله‌های با جمعیت عمدتاً غیرسفید
• 61. نقش «گرایش سفیدپوستان به مناطق اقلیتی» (White Flight/Gentrification) در مالکیت
• 62. تحلیل اثرات علّی محله بر احتمال مالکیت فردی
• 63. استفاده از مدل‌های اثرات تصادفی (Random Effects Models) برای در نظر گرفتن زمینه محله
• 64. ارزیابی نابرابری‌ها در مناطق شهری، حومه شهر و روستایی نیویورک
• 65. مقایسه الگوهای نابرابری در بوفالو، روچستر، و نیویورک سیتی
• 66. شناسایی تراکت‌هایی با <span class="key-concept">نابرابری شدید مالکیت (Extreme Disparities)</span>
• 67. ساخت نقشه‌های حرارتی (Heatmaps) و نقشه‌های Choropleth برای بصری‌سازی نابرابری
• 68. ## **بخش ۷: تحلیل مالکیت شرکتی و نهادی (Corporate Ownership)**
• 69. تعریف انواع مالکیت شرکتی (LLCs, Trusts, Corporations)
• 70. استخراج و دسته‌بندی داده‌های مالکیت شرکتی از اسناد رسمی
• 71. تحلیل فراوانی مالکیت شرکتی در مناطق مختلف نژادی
• 72. مقایسه مالکیت شرکتی در محله‌های اقلیتی در مقابل سفیدپوست
• 73. اثر مالکیت شرکتی بر <span class="key-concept">فرصت‌های مالکیت ساکن (Owner-Occupied Opportunities)</span>
• 74. مدل‌سازی تأثیر مالکیت LLC بر نرخ اجاره و ثبات محله
• 75. نقش مالکیت نهادی در تشدید شکاف‌های نژادی
• 76. تحلیل روند زمانی مالکیت شرکتی در دهه اخیر
• 77. استفاده از رگرسیون گسسته (Discrete Choice Models) برای تحلیل تصمیمات مالکیت
• 78. بررسی قوانین و مقررات محلی نیویورک در مورد مالکیت LLC و شفافیت
• 79. ## **بخش ۸: ابزارهای پیشرفته یادگیری ماشینی و تفسیر مدل**
• 80. مدل‌سازی اثرات علّی ناهمگن (HET) با Causal Forest
• 81. اصول و پیاده‌سازی مدل‌های Random Forest برای تخمین CATE
• 82. تحلیل اهمیت ویژگی‌ها (Feature Importance) در پیش‌بینی مالکیت
• 83. استفاده از SHAP Values برای تفسیر محلی (Local Interpretability) مدل‌های XGBoost
• 84. مدل‌سازی اثرات غیرخطی با شبکه‌های عصبی (Neural Networks)
• 85. پیاده‌سازی شبکه‌های LSTM برای پیش‌بینی ارزش آتی املاک بر اساس نژاد
• 86. تکنیک‌های اعتبارسنجی متقاطع (Cross-Validation) در مدل‌های بزرگ داده
• 87. استفاده از مجموعه داده‌های آزمایشی و کنترلی (Test/Control Groups)
• 88. مدل‌سازی سوگیری نژادی در وام مسکن (Mortgage Lending Bias)
• 89. معرفی و کاربرد ابزارهای FAIRNESS در یادگیری ماشین
• 90. ## **بخش ۹: سیاست‌گذاری مبتنی بر داده و توصیه‌های اقدام**
• 91. مفهوم و فرآیند سیاست‌گذاری مبتنی بر شواهد (Evidence-Based Policy)
• 92. استفاده از نتایج تحلیل نابرابری برای طراحی مداخلات هدفمند
• 93. تدوین توصیه‌های سیاستی برای کاهش شکاف مالکیت نژادی
• 94. پیشنهاد برنامه‌های یارانه مسکن هدفمند برای جوامع کم‌نماینده
• 95. نقش داده‌ها در اصلاح قوانین منطقه‌بندی (Zoning Laws)
• 96. تحلیل مقاومت سیاسی در برابر سیاست‌های کاهش نابرابری
• 97. اهمیت شفافیت و دسترس‌پذیری داده‌های مالکیت برای عموم
• 98. استفاده از مدل‌های شبیه‌سازی (Simulation Models) برای ارزیابی سیاست‌ها
• 99. طراحی داشبوردهای داده‌ای برای نظارت بر شاخص‌های عدالت نژادی
• 100. نقش فعال محققان داده در حمایت از تغییرات ساختاری