فلش‌کارت‌های آموزشی استنتاج علّی با مدل‌های مبتنی بر درخت تصمیم و جنگل تصادفی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استنتاج علّی با مدل‌های مبتنی بر درخت تصمیم و جنگل تصادفی

موضوع کلی: روش‌های پیشرفته در استنباط علّی

موضوع میانی: روش‌های یادگیری ماشین برای استنباط علّی

📋 سرفصل‌های دوره

• 1. مقدمه بر استنتاج علّی
• 2. چالش‌های استنتاج علّی
• 3. مفهوم علیت در آمار
• 4. تعریف سببی و همبستگی
• 5. ضرورت مدل‌های علّی
• 6. مبانی درختان تصمیم
• 7. ساختار درخت تصمیم
• 8. گره‌ها و شاخه‌ها
• 9. قوانین تصمیم‌گیری
• 10. معیارهای تقسیم
• 11. کاربرد درختان تصمیم در پیش‌بینی
• 12. کاربرد درختان تصمیم در تفسی
• 13. محدودیت‌های درختان تصمیم
• 14. مقدمه بر جنگل‌های تصادفی
• 15. ایده اصلی جنگل‌های تصادفی
• 16. چرا جنگل تصادفی؟
• 17. نمونه‌گیری بوت‌استرپ
• 18. انتخاب تصادفی ویژگی‌ها
• 19. نحوه ساخت جنگل تصادفی
• 20. تکنیک Bagging
• 21. تکنیک Random Subspace
• 22. آموزش مدل‌های درختی مجزا
• 23. ترکیب پیش‌بینی‌های درختی
• 24. تکنیک رأی‌گیری برای طبقه‌بندی
• 25. تکنیک میانگین‌گیری برای رگرسیون
• 26. مزایای جنگل‌های تصادفی
• 27. کاهش واریانس
• 28. مقاومت در برابر بیش‌برازش
• 29. قابلیت تفسیر در جنگل تصادفی
• 30. اهمیت ویژگی‌ها در جنگل تصادفی
• 31. کاربرد جنگل‌های تصادفی در پیش‌بینی
• 32. کاربرد جنگل‌های تصادفی در تفسی
• 33. ارتباط استنتاج علّی و درختان تصمیم
• 34. استنتاج علّی با درختان تصمیم
• 35. شناسایی اثرات سببی
• 36. تفکیک اثرات مستقیم و غیرمستقیم
• 37. مدل‌سازی زنجیره‌های سببی
• 38. درختان تصمیم برای شرطی‌سازی
• 39. روش‌های مبتنی بر درخت برای کنترل متغیرهای مخدوش‌کننده
• 40. ارتباط استنتاج علّی و جنگل‌های تصادفی
• 41. استنتاج علّی با جنگل‌های تصادفی
• 42. تعیین قابلیت علاج (Treatment Effect)
• 43. برآورد اثرات میانگین معالجه (ATE)
• 44. برآورد اثرات میانگین معالجه بر روی گروه مورد معالجه (ATT)
• 45. روش‌های یادگیری ماشینی برای تخمین توابع میانگین شرطی
• 46. استفاده از جنگل‌های تصادفی برای تخمین Y(1) و Y(0)
• 47. روش Double Machine Learning
• 48. برآورد ناهمگنی اثرات درمان (Heterogeneous Treatment Effects)
• 49. شناسایی زیرگروه‌های حساس به درمان
• 50. کاربرد جنگل‌های تصادفی در ناهمگنی اثرات
• 51. مدل‌سازی پیش‌بینی‌کننده تأثیر درمان
• 52. تحلیل مسیر علّی با استفاده از درختان تصمیم
• 53. تحلیل مسیر علّی با استفاده از جنگل‌های تصادفی
• 54. متغیرهای میانجی و تعدیل‌کننده
• 55. شناسایی متغیرهای میانجی با مدل‌های درختی
• 56. شناسایی متغیرهای تعدیل‌کننده با مدل‌های درختی
• 57. شبیه‌سازی موقعیت‌های علّی
• 58. ارزیابی دقت مدل‌های استنتاج علّی
• 59. متریک‌های ارزیابی در استنتاج علّی
• 60. مقایسه مدل‌های مبتنی بر درخت و مدل‌های دیگر
• 61. پیاده‌سازی مدل‌های درختی برای استنتاج علّی
• 62. کتابخانه‌ها و ابزارهای نرم‌افزاری
• 63. مثال‌های عملی استنتاج علّی با درختان تصمیم
• 64. مثال‌های عملی استنتاج علّی با جنگل‌های تصادفی
• 65. مطالعه موردی در علوم اجتماعی
• 66. مطالعه موردی در پزشکی
• 67. مطالعه موردی در اقتصاد
• 68. مطالعه موردی در علوم محیطی
• 69. چالش‌های عملی پیاده‌سازی
• 70. پیش‌پردازش داده‌ها برای مدل‌های علّی
• 71. انتخاب ویژگی‌های مرتبط علّی
• 72. مدیریت داده‌های گمشده در مدل‌های علّی
• 73. اعتبارسنجی مدل‌های استنتاج علّی
• 74. اعتبارسنجی متقاطع برای مدل‌های علّی
• 75. تفسیر نتایج استنتاج علّی
• 76. ارتباط دادن نتایج به دانش دامنه
• 77. محدودیت‌های مدل‌سازی سببی
• 78. مفروضات اساسی در استنتاج علّی
• 79. فرض عدم وجود متغیرهای مخدوش‌کننده پنهان
• 80. فرض عدم وجود اختلال در تخصیص درمان
• 81. فرض عدم وجود تداخل
• 82. مفروضات خاص مدل‌های درختی
• 83. مفروضات خاص مدل‌های جنگل تصادفی
• 84. ارتباط با مفاهیم آماری پایه
• 85. مفهوم رگرسیون و ارتباط آن با درختان
• 86. مفهوم طبقه‌بندی و ارتباط آن با درختان
• 87. مفهوم بایاس و واریانس
• 88. تکنیک‌های تنظیم مدل
• 89. تنظیم پارامترهای درخت تصمیم
• 90. تنظیم پارامترهای جنگل تصادفی
• 91. روش‌های خودکار تنظیم پارامتر
• 92. تکنیک‌های کاهش بعد برای استنتاج علّی
• 93. مقایسه با روش‌های دیگر استنتاج علّی
• 94. رگرسیون ناپارامتریک و استنتاج علّی
• 95. مدل‌های گرافی علّی (Causal Graphical Models)
• 96. مبانی مدل‌های گرافی علّی
• 97. رابطه مدل‌های درختی با مدل‌های گرافی
• 98. مفاهیم پیشرفته در استنتاج علّی
• 99. بررسی عدم قطعیت در استنتاج علّی
• 100. حساسیت به مفروضات