اپلیکیشن اندرویدی فلش‌کارت آموزشی مدل‌سازی علّی با استفاده از داده‌های جمع‌آوری شده از آزمایش‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مدل‌سازی علّی با استفاده از داده‌های جمع‌آوری شده از آزمایش‌ها

موضوع کلی: روش‌های پیشرفته در استنباط علّی

موضوع میانی: استنباط علّی در تجزیه و تحلیل علل تأثیر داده‌های آزمایشی بر استنباط علّی (Experimental Data Impact on Causal Inference Cause Analysis)

📋 سرفصل‌های دوره

• 1. فصل اول: مقدمه ای بر مدل‌سازی علّی
• 2. فصل دوم: مبانی نظری مدل‌سازی علّی
• 3. فصل سوم: انواع روابط علّی
• 4. فصل چهارم: مفاهیم اساسی در مدل‌سازی علّی
• 5. فصل پنجم: جمع‌آوری داده‌های آزمایشگاهی
• 6. فصل ششم: طراحی آزمایش‌های کنترل شده
• 7. فصل هفتم: مراحل اجرای آزمایش
• 8. فصل هشتم: ابزارها و تکنیک‌های جمع‌آوری داده
• 9. فصل نهم: کیفیت داده‌ها در آزمایش‌ها
• 10. فصل دهم: پاکسازی و پیش‌پردازش داده‌های آزمایشی
• 11. فصل یازدهم: مدل‌های آماری برای استنتاج علّی
• 12. فصل دوازدهم: رگرسیون خطی و تعمیم یافته‌ها
• 13. فصل سیزدهم: تحلیل واریانس (ANOVA)
• 14. فصل چهاردهم: مدل‌های خطی تعمیم یافته (GLM)
• 15. فصل پانزدهم: مدل‌های معادلات ساختاری (SEM)
• 16. فصل شانزدهم: مفاهیم بنیادی SEM
• 17. فصل هفدهم: ساختار مدل SEM
• 18. فصل هجدهم: برآورد پارامترها در SEM
• 19. فصل نوزدهم: ارزیابی نیکویی برازش مدل SEM
• 20. فصل بیستم: تحلیل مسیر (Path Analysis)
• 21. فصل بیست و یکم: مدل‌های ساختار عاملی (Factor Analysis Models)
• 22. فصل بیست و دوم: مدل‌های اندازه‌گیری و ساختاری
• 23. فصل بیست و سوم: آزمون فرضیه‌های علّی در SEM
• 24. فصل بیست و چهارم: مدل‌سازی علّی بیزی (Bayesian Causal Modeling)
• 25. فصل بیست و پنجم: مقدمه ای بر استنتاج بیزی
• 26. فصل بیست و ششم: مدل‌های گرافیکی علّی (Causal Graphical Models)
• 27. فصل بیست و هفتم: شبکه‌های بیزی (Bayesian Networks)
• 28. فصل بیست و هشتم: ساختار و تفسیر شبکه‌های بیزی
• 29. فصل بیست و نهم: استنتاج در شبکه‌های بیزی
• 30. فصل سی ام: کاربرد شبکه‌های بیزی در مدل‌سازی علّی
• 31. فصل سی و یکم: مدل‌های ساختاری علّی (Structural Causal Models - SCM)
• 32. فصل سی و دوم: مفاهیم SCM و گراف‌های علّی
• 33. فصل سی و سوم: تعریف علیت و تداخل (Intervention)
• 34. فصل سی و چهارم: گراف‌های جهت‌دار غیرمدور (DAGs)
• 35. فصل سی و پنجم: قانون Causal Markov
• 36. فصل سی و ششم: شرطی‌سازی و استقلال علّی
• 37. فصل سی و هفتم: بازآرایی (Backdoor) و بستار (Frontdoor)
• 38. فصل سی و هشتم: روش بازآرایی برای برآورد اثرات علّی
• 39. فصل سی و نهم: روش بستار برای برآورد اثرات علّی
• 40. فصل چهلم: تداخل و بازآرایی
• 41. فصل چهل و یکم: تداخل و بستار
• 42. فصل چهل و دوم: انواع اثرات علّی (Average Causal Effect - ACE)
• 43. فصل چهل و سوم: اثرات شرطی علّی (Conditional Causal Effects - CCE)
• 44. فصل چهل و چهارم: اثرات علّی مستقیم و غیرمستقیم
• 45. فصل چهل و پنجم: شناسایی (Identification) اثرات علّی
• 46. فصل چهل و ششم: مسائل مربوط به شناسایی
• 47. فصل چهل و هفتم: تکنیک‌های شناسایی
• 48. فصل چهل و هشتم: متغیرهای مخدوشگر (Confounders)
• 49. فصل چهل و نهم: شناسایی و کنترل متغیرهای مخدوشگر
• 50. فصل پنجاهم: عدم رعایت شرط بازآرایی
• 51. فصل پنجاه و یکم: عدم رعایت شرط بستار
• 52. فصل پنجاه و دوم: ناهمگنی (Heterogeneity) اثرات علّی
• 53. فصل پنجاه و سوم: شناسایی و مدل‌سازی ناهمگنی
• 54. فصل پنجاه و چهارم: مدل‌سازی علّی پویا (Dynamic Causal Modeling)
• 55. فصل پنجاه و پنجم: مدل‌های سری زمانی علّی
• 56. فصل پنجاه و ششم: روش‌های کلاسیک در سری زمانی
• 57. فصل پنجاه و هفتم: مدل‌های ARIMA
• 58. فصل پنجاه و هشتم: مدل‌های Vector Autoregression (VAR)
• 59. فصل پنجاه و نهم: مدل‌های VARX
• 60. فصل شصتم: شناسایی علیت در سری زمانی (Granger Causality)
• 61. فصل شصت و یکم: محدودیت‌های علیت گرنجر
• 62. فصل شصت و دوم: مدل‌سازی علّی با شبکه‌های عصبی
• 63. فصل شصت و سوم: شبکه‌های عصبی بازگشتی (RNNs)
• 64. فصل شصت و چهارم: شبکه‌های عصبی کانولوشنی (CNNs)
• 65. فصل شصت و پنجم: شبکه‌های مولد تخاصمی (GANs)
• 66. فصل شصت و ششم: کاربرد GANs در مدل‌سازی علّی
• 67. فصل شصت و هفتم: مدل‌سازی علّی با یادگیری عمیق
• 68. فصل شصت و هشتم: روش‌های ناظر (Supervised) در یادگیری علّی
• 69. فصل شصت و نهم: روش‌های ناظر (Unsupervised) در یادگیری علّی
• 70. فصل هفتادم: الگوریتم‌های یادگیری علّی
• 71. فصل هفتاد و یکم: درختان علّی (Causal Trees)
• 72. فصل هفتاد و دوم: جنگل‌های علّی (Causal Forests)
• 73. فصل هفتاد و سوم: متغیرهای میانجی (Mediators)
• 74. فصل هفتاد و چهارم: شناسایی و مدل‌سازی اثرات میانجی
• 75. فصل هفتاد و پنجم: متغیرهای تعدیل‌گر (Moderators)
• 76. فصل هفتاد و ششم: شناسایی و مدل‌سازی اثرات تعدیل‌گر
• 77. فصل هفتاد و هفتم: مدل‌سازی علّی غیرخطی
• 78. فصل هفتاد و هشتم: الگوریتم‌های بهینه‌سازی علّی
• 79. فصل هفتاد و نهم: مدل‌سازی علّی در علوم اجتماعی
• 80. فصل هشتادم: مدل‌سازی علّی در علوم پزشکی
• 81. فصل هشتاد و یکم: مدل‌سازی علّی در اقتصاد
• 82. فصل هشتاد و دوم: مدل‌سازی علّی در مهندسی
• 83. فصل هشتاد و سوم: مدل‌سازی علّی در علوم کامپیوتر
• 84. فصل هشتاد و چهارم: ارزیابی مدل‌های علّی
• 85. فصل هشتاد و پنجم: معیارهای ارزیابی
• 86. فصل هشتاد و ششم: اعتبارسنجی مدل‌ها
• 87. فصل هشتاد و هفتم: حساسیت تحلیل (Sensitivity Analysis)
• 88. فصل هشتاد و هشتم: عدم قطعیت در مدل‌سازی علّی
• 89. فصل هشتاد و نهم: انتشار عدم قطعیت
• 90. فصل نودم: تفاسیر مدل‌های علّی
• 91. فصل نود و یکم: ارتباط مدل‌سازی علّی با یادگیری ماشین
• 92. فصل نود و دوم: مرزهای مدل‌سازی علّی
• 93. فصل نود و سوم: چالش‌های پیش رو
• 94. فصل نود و چهارم: روندهای آینده در مدل‌سازی علّی
• 95. فصل نود و پنجم: کاربردهای پیشرفته
• 96. فصل نود و ششم: مسائل اخلاقی در مدل‌سازی علّی
• 97. فصل نود و هفتم: جمع‌بندی و توصیه‌ها
• 98. فصل نود و هشتم: مطالعات موردی (Case Studies)
• 99. فصل نود و نهم: پیوست‌ها و واژه‌نامه
• 100. فصل صدم: منابع و مآخذ