فلش‌کارت‌های آموزشی کاربرد MCMC در استنتاج علّی غیرپارامتری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب کاربرد MCMC در استنتاج علّی غیرپارامتری

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: کاربرد MCMC در استنتاج علّی (Causal Inference)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر استنتاج علّی
• 2. مبانی استنتاج علّی
• 3. تعریف علیّت
• 4. روش های استنتاج علّی
• 5. محدودیت های روش های سنتی
• 6. نیاز به رویکردهای انعطاف پذیر
• 7. مقدمه ای بر روش های غیرپارامتری
• 8. چرا غیرپارامتری؟
• 9. مزایای رویکردهای غیرپارامتری
• 10. معایب رویکردهای غیرپارامتری
• 11. کاربرد استنتاج علّی غیرپارامتری
• 12. چالش های استنتاج علّی غیرپارامتری
• 13. مقدمه ای بر روش های مونت کارلو زنجیره مارکوف (MCMC)
• 14. مبانی احتمالات و آمار
• 15. مبانی زنجیره مارکوف
• 16. مبانی روش های مونت کارلو
• 17. نیاز به MCMC در استنتاج علّی غیرپارامتری
• 18. چالش های پیاده سازی MCMC
• 19. مقدمه ای بر مدل های علّی
• 20. نمودارهای علیّت (Causal Graphs)
• 21. ساختار مدل های علّی
• 22. معادله ساختاری (Structural Equations)
• 23. مدل های علّی پیچیده
• 24. مدل های علّی گسسته و پیوسته
• 25. مدل های علّی با متغیرهای پنهان
• 26. مقدمه ای بر استنتاج علّی غیرپارامتری
• 27. تعریف استنتاج علّی غیرپارامتری
• 28. تفاوت با استنتاج علّی پارامتری
• 29. انواع مدل های غیرپارامتری
• 30. توابع هسته (Kernel Functions)
• 31. شبکه های عصبی (Neural Networks)
• 32. ماشین های بردار پشتیبان (Support Vector Machines)
• 33. مدل های مخلوط (Mixture Models)
• 34. مدل های درختی (Tree-based Models)
• 35. مدل های مبتنی بر هسته (Kernel-based Models)
• 36. مدل های مبتنی بر شبکه عصبی (Neural Network-based Models)
• 37. کاربرد MCMC در استنتاج علّی غیرپارامتری
• 38. مکانیسم های MCMC
• 39. الگوریتم Metropolis-Hastings
• 40. الگوریتم Gibbs Sampling
• 41. الگوریتم Slice Sampling
• 42. الگوریتم Hamiltonian Monte Carlo (HMC)
• 43. الگوریتم No-U-Turn Sampler (NUTS)
• 44. نحوه انتخاب الگوریتم MCMC
• 45. تنظیم پارامترهای MCMC
• 46. ارزیابی همگرایی MCMC
• 47. نمودارهای Trace Plots
• 48. آمار R-hat
• 49. نمودارهای Autocorrelation
• 50. روش های تشخیص همگرایی
• 51. کاربرد MCMC برای برآورد پارامترهای مدل های علّی غیرپارامتری
• 52. برآورد توابع علّی (Causal Functions)
• 53. برآورد اثرات علّی متوسط (Average Causal Effects - ACE)
• 54. برآورد اثرات علّی شرطی (Conditional Causal Effects - CCE)
• 55. برآورد عدم قطعیت در استنتاج علّی
• 56. استفاده از MCMC برای استنتاج توزیع پسین (Posterior Distribution)
• 57. استنتاج توزیع پسین پارامترهای مدل
• 58. استنتاج توزیع پسین توابع علّی
• 59. استنتاج توزیع پسین اثرات علّی
• 60. ارزیابی مدل های علّی غیرپارامتری با استفاده از MCMC
• 61. اعتبارسنجی متقابل (Cross-validation)
• 62. معیارهای ارزیابی مدل
• 63. مقایسه مدل های مختلف
• 64. کاربرد MCMC در مدل های علّی غیرپارامتری پیچیده
• 65. مدل های علّی با اثرات متغیر در طول زمان (Time-varying Causal Effects)
• 66. مدل های علّی با اثرات مکانی (Spatial Causal Effects)
• 67. مدل های علّی با اثرات گروهی (Clustered Causal Effects)
• 68. مدل های علّی با تعاملات پیچیده
• 69. مدل های علّی با متغیرهای پنهان و غیرپارامتری
• 70. استنتاج علّی در حضور متغیرهای مخدوش کننده (Confounders)
• 71. مدیریت متغیرهای مخدوش کننده با MCMC
• 72. تکنیک های تطبیق (Matching) با MCMC
• 73. تکنیک های وزندهی (Weighting) با MCMC
• 74. تکنیک های طبقه بندی (Stratification) با MCMC
• 75. تکنیک های متغیرهای ابزاری (Instrumental Variables) با MCMC
• 76. استنتاج علّی در حضور انتخاب (Selection Bias)
• 77. مدیریت انتخاب با MCMC
• 78. مدل های علّی پویا (Dynamic Causal Models)
• 79. استنتاج علّی در مطالعات مشاهده ای
• 80. استنتاج علّی در مطالعات آزمایشی (RCTs)
• 81. استنتاج علّی در سیستم های پیچیده
• 82. کاربرد MCMC در تحلیل داده های بزرگ
• 83. چالش های محاسباتی MCMC در داده های بزرگ
• 84. روش های کاهش پیچیدگی محاسباتی
• 85. کاربرد MCMC در یادگیری ماشین علّی
• 86. یادگیری ماشین علّی برای پیش بینی
• 87. یادگیری ماشین علّی برای کنترل
• 88. یادگیری ماشین علّی برای تفسیرپذیری
• 89. استنتاج علّی در حوزه های خاص
• 90. کاربرد در پزشکی و سلامت
• 91. کاربرد در اقتصاد
• 92. کاربرد در علوم اجتماعی
• 93. کاربرد در مهندسی
• 94. کاربرد در علوم محیطی
• 95. کاربرد در پردازش زبان طبیعی
• 96. کاربرد در بینایی ماشین
• 97. محدودیت ها و چالش های MCMC در استنتاج علّی غیرپارامتری
• 98. پیچیدگی محاسباتی
• 99. نیاز به دانش تخصصی
• 100. حساسیت به انتخاب مدل