دوره راهنمای عملی استنباط علّی مبتنی بر اصول گود برای تحلیل علل همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره راهنمای عملی استنباط علّی مبتنی بر اصول گود برای تحلیل علل

موضوع کلی: روش‌های پیشرفته در استنباط علّی

موضوع میانی: استنباط علّی در تجزیه و تحلیل علل تأثیر استنباط علّی مبتنی بر اصول گود (Causal Inference based on Good's Principles Cause Analysis)

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه‌ای بر استنباط علّی
• 2. فصل ۲: اهمیت استنباط علّی در علوم
• 3. فصل ۳: مبانی نظری استنباط علّی
• 4. فصل ۴: اصول گود: نمای کلی
• 5. فصل ۵: تعریف متغیرهای پنهان و آشکار
• 6. فصل ۶: مدل‌های گرافیکی علّی (DAGs)
• 7. فصل ۷: مفهوم مداخله (Intervention)
• 8. فصل ۸: تابع do در استنباط علّی
• 9. فصل ۹: تفاوت بین همبستگی و علیت
• 10. فصل ۱۰: مسائلی که استنباط علّی به آن‌ها پاسخ می‌دهد
• 11. فصل ۱۱: کاربردهای استنباط علّی در پزشکی
• 12. فصل ۱۲: کاربردهای استنباط علّی در اقتصاد
• 13. فصل ۱۳: کاربردهای استنباط علّی در علوم اجتماعی
• 14. فصل ۱۴: کاربردهای استنباط علّی در هوش مصنوعی
• 15. فصل ۱۵: چالش‌های عملی در استنباط علّی
• 16. فصل ۱۶: شناسایی مفروضات کلیدی در مدل‌های علّی
• 17. فصل ۱۷: مفروضات اساسی برای شناسایی علّی
• 18. فصل ۱۸: مفهوم Goodness of Fit برای مدل‌های علّی
• 19. فصل ۱۹: آزمون‌های آماری در استنباط علّی
• 20. فصل ۲۰: روش‌های مبتنی بر داده برای استنباط علّی
• 21. فصل ۲۱: روش‌های مبتنی بر دانش برای استنباط علّی
• 22. فصل ۲۲: استنباط علّی از داده‌های مشاهده‌ای
• 23. فصل ۲۳: استنباط علّی از داده‌های آزمایشی
• 24. فصل ۲۴: مفروضات لازم برای استنباط علّی از داده‌های مشاهده‌ای
• 25. فصل ۲۵: نقش متغیرهای مخدوش‌کننده (Confounders)
• 26. فصل ۲۶: تکنیک‌های کنترل متغیرهای مخدوش‌کننده
• 27. فصل ۲۷: روش تطبیق (Matching)
• 28. فصل ۲۸: روش طبقه‌بندی (Stratification)
• 29. فصل ۲۹: روش رگرسیون (Regression)
• 30. فصل ۳۰: روش متغیرهای ابزاری (Instrumental Variables)
• 31. فصل ۳۱: روش تفاوت در تفاوت‌ها (Difference-in-Differences)
• 32. فصل ۳۲: استنباط علّی در حضور متغیرهای میانجی (Mediators)
• 33. فصل ۳۳: نقش متغیرهای میانجی در زنجیره علّی
• 34. فصل ۳۴: شناسایی و اندازه‌گیری اثرات میانجی
• 35. فصل ۳۵: تحلیل مستقیم و غیرمستقیم
• 36. فصل ۳۶: استنباط علّی در حضور متغیرهای تعدیل‌کننده (Moderators)
• 37. فصل ۳۷: نقش متغیرهای تعدیل‌کننده در شدت اثرات علّی
• 38. فصل ۳۸: شناسایی و اندازه‌گیری اثرات تعدیل‌کننده
• 39. فصل ۳۹: استنباط علّی در داده‌های طولی (Longitudinal Data)
• 40. فصل ۴۰: چالش‌های تحلیل داده‌های طولی
• 41. فصل ۴۱: مدل‌های علّی برای داده‌های طولی
• 42. فصل ۴۲: استنباط علّی در داده‌های شبکه‌ای
• 43. فصل ۴۳: انتقال علّی در شبکه‌ها
• 44. فصل ۴۴: شناسایی عوامل مؤثر در شبکه‌ها
• 45. فصل ۴۵: استنباط علّی در داده‌های غیر پارامتریک
• 46. فصل ۴۶: مزایا و معایب روش‌های غیر پارامتریک
• 47. فصل ۴۷: الگوریتم‌های یادگیری ساختار علّی
• 48. فصل ۴۸: الگوریتم PC
• 49. فصل ۴۹: الگوریتم FCI
• 50. فصل ۵۰: الگوریتم GES
• 51. فصل ۵۱: الگوریتم‌های مبتنی بر داده‌کاوی علّی
• 52. فصل ۵۲: استنباط علّی مبتنی بر یادگیری ماشین
• 53. فصل ۵۳: شبکه‌های عصبی علّی
• 54. فصل ۵۴: درخت‌های تصمیم علّی
• 55. فصل ۵۵: جنگل‌های تصادفی علّی
• 56. فصل ۵۶: روش‌های بیزی برای استنباط علّی
• 57. فصل ۵۷: شبکه‌های بیزی علّی
• 58. فصل ۵۸: استنتاج بیزی در مدل‌های علّی
• 59. فصل ۵۹: اطمینان‌پذیری (Robustness) نتایج استنباط علّی
• 60. فصل ۶۰: تحلیل حساسیت (Sensitivity Analysis)
• 61. فصل ۶۱: اعتبارسنجی مدل‌های علّی
• 62. فصل ۶۲: ارزیابی Goodness of Fit برای مدل‌های پیچیده
• 63. فصل ۶۳: شاخص‌های تطابق در مدل‌های علّی
• 64. فصل ۶۴: معیارهای اطلاعاتی (AIC, BIC)
• 65. فصل ۶۵: تحلیل پیش‌بینی علّی
• 66. فصل ۶۶: پیش‌بینی اثرات مداخلات
• 67. فصل ۶۷: پیش‌بینی اثرات شبکه‌ای
• 68. فصل ۶۸: استنباط علّی در زمان واقعی (Real-time)
• 69. فصل ۶۹: چالش‌های استنباط علّی در داده‌های جریانی
• 70. فصل ۷۰: سیستم‌های توصیه‌گر علّی
• 71. فصل ۷۱: طراحی آزمایش‌های کنترل شده تصادفی (RCTs)
• 72. فصل ۷۲: اصول طراحی RCT
• 73. فصل ۷۳: تحلیل داده‌های RCT
• 74. فصل ۷۴: استنباط علّی از مطالعات شبه‌آزمایشی
• 75. فصل ۷۵: مقایسه RCT با مطالعات شبه‌آزمایشی
• 76. فصل ۷۶: استنباط علّی در علم داده بزرگ (Big Data)
• 77. فصل ۷۷: چالش‌های حجم، سرعت و تنوع داده
• 78. فصل ۷۸: ابزارهای نرم‌افزاری برای استنباط علّی
• 79. فصل ۷۹: کتابخانه‌های پایتون (CausalNex, DoWhy)
• 80. فصل ۸۰: ابزارهای R (dagR, bnlearn)
• 81. فصل ۸۱: پیاده‌سازی گام به گام یک تحلیل علّی
• 82. فصل ۸۲: تعریف مسئله و سوال علّی
• 83. فصل ۸۳: جمع‌آوری و پیش‌پردازش داده‌ها
• 84. فصل ۸۴: ساختاردهی مدل علّی (DAG)
• 85. فصل ۸۵: انتخاب روش استنباط علّی
• 86. فصل ۸۶: اجرای تحلیل علّی
• 87. فصل ۸۷: تفسیر نتایج و اعتبارسنجی
• 88. فصل ۸۸: مسائل اخلاقی در استنباط علّی
• 89. فصل ۸۹: سوگیری (Bias) و انصاف (Fairness)
• 90. فصل ۹۰: مسئولیت‌پذیری در مدل‌های علّی
• 91. فصل ۹۱: پیشرفت‌های آینده در استنباط علّی
• 92. فصل ۹۲: یادگیری ماشینی علّی قابل توضیح (Explainable Causal ML)
• 93. فصل ۹۳: استنباط علّی تقویتی (Reinforcement Causality)
• 94. فصل ۹۴: استنباط علّی تعمیم‌پذیر (Generalizable Causality)
• 95. فصل ۹۵: استنباط علّی در پزشکی شخصی‌سازی شده
• 96. فصل ۹۶: استنباط علّی برای سیاست‌گذاری
• 97. فصل ۹۷: استنباط علّی در علوم زیستی محاسباتی
• 98. فصل ۹۸: استنباط علّی در تجزیه و تحلیل ارتباطات
• 99. فصل ۹۹: مروری بر ابزارها و تکنیک‌های پیشرفته
• 100. فصل ۱۰۰: جمع‌بندی و چشم‌انداز نهایی