دوره پایداری همسایگی: یادگیری ماشین بدون تورش دوگانه (DML) در داده‌های وابسته فضایی و شبکه‌ای با رویکرد پایدارسازی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب پایداری همسایگی: یادگیری ماشین بدون تورش دوگانه (DML) در داده‌های وابسته فضایی و شبکه‌ای با رویکرد پایدارسازی

موضوع کلی: یادگیری ماشین علّی در داده‌های وابسته

موضوع میانی: روش‌های یادگیری ماشین بدون تورش دوگانه در داده‌های فضایی و شبکه‌ای

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مبانی یادگیری ماشین
• 2. مبانی یادگیری ماشینی علّی
• 3. مبانی استنتاج علّی
• 4. مبانی مدل‌سازی علّی
• 5. مبانی یادگیری ماشین بدون تورش
• 6. مبانی یادگیری ماشین بدون تورش دوگانه (DML)
• 7. مبانی داده‌های وابسته
• 8. مبانی داده‌های فضایی
• 9. مبانی داده‌های شبکه‌ای
• 10. مبانی پایداری همسایگی
• 11. ارتباط استنتاج علّی با داده‌های وابسته
• 12. چالش‌های استنتاج علّی در داده‌های وابسته
• 13. چالش‌های DML در داده‌های وابسته
• 14. کاربرد DML در داده‌های فضایی
• 15. کاربرد DML در داده‌های شبکه‌ای
• 16. مفهوم همسایگی در داده‌های فضایی
• 17. مفهوم همسایگی در داده‌های شبکه‌ای
• 18. تعریف همسایگی پایدار
• 19. اهمیت پایداری همسایگی در DML
• 20. مقدمه‌ای بر مقاله "Neighborhood Stability in Double/Debiased Machine Learning with Dependent Data"
• 21. مروری بر مفاهیم اصلی مقاله
• 22. فرمول‌بندی مسئله در مقاله
• 23. مدل‌سازی داده‌های وابسته در چارچوب مقاله
• 24. مدل‌سازی داده‌های فضایی در چارچوب مقاله
• 25. مدل‌سازی داده‌های شبکه‌ای در چارچوب مقاله
• 26. مفهوم تورش در DML
• 27. انواع تورش در DML
• 28. تورش ناشی از وابستگی داده‌ها
• 29. تورش ناشی از ساختار فضایی
• 30. تورش ناشی از ساختار شبکه‌ای
• 31. روش‌های کاهش تورش در DML
• 32. مفهوم یادگیری بدون تورش دوگانه
• 33. پیاده‌سازی DML با استفاده از مدل‌های یادگیری ماشین
• 34. انتخاب مدل‌های پایه برای DML
• 35. نقش مدل‌های یادگیری ماشین در DML
• 36. مراحل کلیدی در DML
• 37. مفهوم نوسازی (Orthogonalization)
• 38. اهمیت نوسازی در DML
• 39. روش‌های مختلف نوسازی
• 40. کاربرد نوسازی در مدل‌های خطی
• 41. کاربرد نوسازی در مدل‌های غیرخطی
• 42. مفهوم ناهمگنی (Heterogeneity) در داده‌ها
• 43. تأثیر ناهمگنی بر DML
• 44. مدل‌سازی ناهمگنی در داده‌های وابسته
• 45. مدل‌سازی ناهمگنی در داده‌های فضایی
• 46. مدل‌سازی ناهمگنی در داده‌های شبکه‌ای
• 47. مفهوم پایدارسازی (Stabilization)
• 48. اهمیت پایدارسازی در DML
• 49. مفهوم پایداری همسایگی در DML
• 50. پیاده‌سازی پایداری همسایگی
• 51. روش‌های اندازه‌گیری پایداری همسایگی
• 52. ارتباط پایداری همسایگی با نتایج DML
• 53. تأثیر وابستگی داده‌ها بر پایداری همسایگی
• 54. تأثیر ساختار فضایی بر پایداری همسایگی
• 55. تأثیر ساختار شبکه‌ای بر پایداری همسایگی
• 56. ارزیابی عملکرد DML با معیارهای پایداری
• 57. معیارهای سنتی ارزیابی DML
• 58. معیارهای ارزیابی DML با تمرکز بر پایداری
• 59. مطالعات موردی در داده‌های فضایی
• 60. مطالعات موردی در داده‌های شبکه‌ای
• 61. مثال‌های عملی از کاربرد DML در داده‌های وابسته
• 62. شبیه‌سازی داده‌های وابسته فضایی
• 63. شبیه‌سازی داده‌های وابسته شبکه‌ای
• 64. روش‌های تخمین اثرات علّی در داده‌های وابسته
• 65. تکنیک‌های نمونه‌گیری در داده‌های وابسته
• 66. تکنیک‌های مدل‌سازی در داده‌های وابسته
• 67. نظریه بازی و کاربرد آن در داده‌های وابسته
• 68. رویکردهای بیزی در DML
• 69. رویکردهای فرا-مدل (Meta-Learner) در DML
• 70. تکنیک‌های اعتبارسنجی متقابل (Cross-Validation) در داده‌های وابسته
• 71. اعتبارسنجی متقابل فضایی
• 72. اعتبارسنجی متقابل شبکه‌ای
• 73. تکنیک‌های منظم‌سازی (Regularization) در DML
• 74. اهمیت منظم‌سازی در داده‌های وابسته
• 75. منظم‌سازی برای پایداری همسایگی
• 76. اثرات تعدیل‌کننده (Moderation) در DML
• 77. اثرات میانجی‌گر (Mediation) در DML
• 78. مدل‌سازی اثرات پیچیده در داده‌های وابسته
• 79. روش‌های آماری پیشرفته برای داده‌های وابسته
• 80. تحلیل سری‌های زمانی فضایی
• 81. تحلیل شبکه‌های پویا
• 82. کاربرد یادگیری عمیق در DML
• 83. شبکه‌های عصبی کانولوشنی (CNN) در داده‌های فضایی
• 84. شبکه‌های عصبی گرافی (GNN) در داده‌های شبکه‌ای
• 85. ترکیب DML و یادگیری عمیق
• 86. پیاده‌سازی DML در زبان‌های برنامه‌نویسی (مانند Python)
• 87. کتابخانه‌های مفید برای DML
• 88. کتابخانه‌های مفید برای داده‌های فضایی
• 89. کتابخانه‌های مفید برای داده‌های شبکه‌ای
• 90. نکات عملی برای اجرای DML
• 91. اشکالات رایج در DML و راه‌های رفع آن‌ها
• 92. تفسیر نتایج DML در داده‌های وابسته
• 93. تفسیر نتایج DML در داده‌های فضایی
• 94. تفسیر نتایج DML در داده‌های شبکه‌ای
• 95. محدودیت‌های DML در داده‌های وابسته
• 96. جهت‌گیری‌های تحقیقاتی آینده در DML
• 97. جمع‌بندی و نتیجه‌گیری
• 98. پروژه‌های عملی و کاربردی
• 99. آمادگی برای سوالات و بحث
• 100. جمع‌بندی کلی مفاهیم