دوره یادگیری عمیق با رویکرد مدل‌های ساختاری علّی (Structural Causal Models) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری عمیق با رویکرد مدل‌های ساختاری علّی (Structural Causal Models)

موضوع کلی: روش‌های پیشرفته در استنباط علّی

موضوع میانی: روش‌های مبتنی بر یادگیری عمیق (Deep Learning)

📋 سرفصل‌های دوره

• 1. مقدمه: یادگیری عمیق و هوش مصنوعی
• 2. مفهوم علیت در علم
• 3. تفاوت همبستگی و علیت
• 4. محدودیت‌های یادگیری ماشینی سنتی
• 5. نیاز به درک روابط علی
• 6. معرفی مدل‌های ساختاری علّی (SCM)
• 7. تاریخچه SCM
• 8. اجزای SCM: متغیرها و روابط
• 9. انواع متغیرها در SCM
• 10. روابط علی مستقیم و غیرمستقیم
• 11. نمودارهای علی (Causal Graphs)
• 12. قوانین دیتای گراف‌های علی
• 13. حذف و اضافه کردن یال در گراف‌های علی
• 14. تشخیص متغیرهای مخدوش‌کننده (Confounders)
• 15. تشخیص متغیرهای واسطه (Mediators)
• 16. تشخیص متغیرهای ابزار (Instruments)
• 17. مسائل مخدوش‌کنندگی در یادگیری عمیق
• 18. روش‌های کنترل مخدوش‌کنندگی
• 19. هودرت (Backdoor Criterion)
• 20. جاده‌بازکن (Front-door Criterion)
• 21. استراتژی‌های مداخله (Interventions)
• 22. تابع اقدام (do-operator)
• 23. محاسبه اثرات علی با استفاده از SCM
• 24. از SCM تا یادگیری عمیق
• 25. نقش SCM در تبیین مدل‌های یادگیری عمیق
• 26. یادگیری عمیق قابل تفسیر (Interpretable Deep Learning)
• 27. ارتباط SCM با شبکه‌های عصبی
• 28. مفاهیم پایه‌ای شبکه‌های عصبی
• 29. شبکه‌های عصبی پرسپترون چندلایه (MLP)
• 30. توابع فعال‌سازی (Activation Functions)
• 31. بهینه‌سازی و گرادیان کاهشی
• 32. پس‌انتشار خطا (Backpropagation)
• 33. شبکه‌های عصبی کانولوشنی (CNN)
• 34. کاربرد CNN در بینایی ماشین
• 35. شبکه‌های عصبی بازگشتی (RNN)
• 36. کاربرد RNN در پردازش زبان طبیعی
• 37. شبکه‌های عصبی حافظه طولانی کوتاه مدت (LSTM)
• 38. شبکه‌های عصبی واحد بازگشتی دروازه‌دار (GRU)
• 39. ترانسفورمرها (Transformers)
• 40. مکانیسم توجه (Attention Mechanism)
• 41. SCM و شبکه‌های عصبی عمیق
• 42. آیا شبکه‌های عصبی علی هستند؟
• 43. یادگیری روابط علی با شبکه‌های عصبی
• 44. پیاده‌سازی SCM با استفاده از شبکه‌های عصبی
• 45. مدل‌های گراف علی و شبکه‌های عصبی
• 46. روش‌های یادگیری گراف علی
• 47. یادگیری گراف علی از داده‌های مشاهده‌ای
• 48. یادگیری گراف علی از داده‌های مداخله‌ای
• 49. شبکه‌های عصبی علی (Causal Neural Networks)
• 50. ساختارهای شبکه‌های عصبی علی
• 51. آموزش شبکه‌های عصبی علی
• 52. کاربرد شبکه‌های عصبی علی در پیش‌بینی علّی
• 53. تشخیص علل ریشه‌ای (Root Cause Analysis)
• 54. کاربرد SCM در یادگیری تقویتی (Reinforcement Learning)
• 55. یادگیری تقویتی مبتنی بر مدل
• 56. یادگیری تقویتی بدون مدل
• 57. SCM برای درک و هدایت عامل‌های هوشمند
• 58. توسعه سیاست‌های علّی
• 59. یادگیری انتقال (Transfer Learning) و SCM
• 60. یادگیری انتقال بین توزیع‌ها
• 61. SCM برای بهبود انتقال یادگیری
• 62. یادگیری خودنظارتی (Self-Supervised Learning) و SCM
• 63. SCM برای طراحی وظایف خودنظارتی
• 64. بهبود نمایش‌های یادگیری خودنظارتی
• 65. مدل‌های مولد (Generative Models) و SCM
• 66. شبکه‌های مولد تخاصمی (GANs)
• 67. SCM و کنترل فرآیندهای مولد
• 68. تولید داده‌های علّی
• 69. اعتبار سنجی مدل‌های یادگیری عمیق با SCM
• 70. تشخیص بیش‌برازش (Overfitting) با SCM
• 71. تشخیص سوگیری (Bias) در مدل‌های یادگیری عمیق
• 72. یادگیری عمیق قابل اعتماد (Trustworthy Deep Learning)
• 73. SCM و اخلاق در هوش مصنوعی
• 74. مسئولیت‌پذیری مدل‌های هوش مصنوعی
• 75. عدالت (Fairness) در یادگیری عمیق
• 76. SCM برای سنجش و بهبود عدالت
• 77. حریم خصوصی (Privacy) در یادگیری عمیق
• 78. SCM و امنیت (Security) در هوش مصنوعی
• 79. قابلیت اطمینان (Robustness) در یادگیری عمیق
• 80. SCM برای افزایش قابلیت اطمینان
• 81. مطالعات موردی: کاربرد SCM در یادگیری عمیق
• 82. کاربرد در پزشکی و سلامت
• 83. کاربرد در علوم اجتماعی
• 84. کاربرد در اقتصاد و مالی
• 85. کاربرد در رباتیک
• 86. کاربرد در سیستم‌های توصیه‌گر
• 87. چالش‌های پیش رو در SCM و یادگیری عمیق
• 88. کمیابی داده‌های علّی
• 89. هزینه جمع‌آوری داده‌های مداخله‌ای
• 90. پیچیدگی محاسباتی
• 91. نیاز به دانش تخصصی دامنه
• 92. آینده SCM و یادگیری عمیق
• 93. همگرایی SCM و یادگیری عمیق
• 94. پیشرفت در الگوریتم‌های یادگیری علّی
• 95. توسعه ابزارهای نرم‌افزاری
• 96. کاربرد در مسائل پیچیده جهان واقعی
• 97. جمع‌بندی و چشم‌انداز آینده