کتاب یادگیری متعامد برای تخمین اثرات علّی ناهمگن در شبکه‌ها: رویکرد GNN-محور
, ,

کتاب یادگیری متعامد برای تخمین اثرات علّی ناهمگن در شبکه‌ها: رویکرد GNN-محور

تومان249,950

انتخاب پلن

torobpay
هر قسط با ترب‌پی: تومان62,488
۴ قسط ماهانه. بدون سود، چک و ضامن.
شناسه محصول: SuperCourse-0000013980 دسته: , , برچسب: , , , , , , , , , , , , , ,

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب یادگیری متعامد برای تخمین اثرات علّی ناهمگن در شبکه‌ها: رویکرد GNN-محور

موضوع کلی: یادگیری عمیق برای استنباط علّی

موضوع میانی: استنباط علّی ناهمگن و اثرات متقابل در شبکه‌ها

📋 سرفصل‌های کتاب (100 موضوع)

  • 1. مقدمه‌ای بر استنباط علّی: فراتر از همبستگی
  • 2. چرا استنباط علّی در یادگیری ماشین اهمیت دارد؟
  • 3. نردبان علیت جودیا پرل: دیدن، انجام دادن، تصور کردن
  • 4. معرفی چارچوب پیامدهای بالقوه (Potential Outcomes)
  • 5. اثر درمانی میانگین (ATE)، اثر درمانی بر روی درمان‌شدگان (ATT)
  • 6. مسئله بنیادین استنباط علّی
  • 7. مفاهیم کلیدی: گروه کنترل، گروه درمان و متغیرهای مداخله
  • 8. آشنایی با شبکه‌ها و گراف‌ها: گره‌ها، یال‌ها و همسایگی
  • 9. چالش‌های منحصربه‌فرد استنباط علّی در شبکه‌ها
  • 10. پدیده سرایت (Spillover) و نقض فرض SUTVA
  • 11. مقدمه‌ای بر اثرات درمانی ناهمگن (HTE)
  • 12. چرا به تخمین اثرات فردی و ناهمگن نیاز داریم؟
  • 13. مروری بر مقاله الهام‌بخش: اهداف، نوآوری‌ها و ساختار
  • 14. نقشه راه دوره: از مبانی تا پیاده‌سازی مدل پیشرفته
  • 15. بخش دوم: مبانی آماری استنباط علّی
  • 16. فرض نادیده‌انگاری (Ignorability) یا تبادل‌پذیری شرطی
  • 17. فرض سازگاری (Consistency) و فرض مثبت بودن (Positivity)
  • 18. متغیرهای مخدوشگر (Confounders) و شناسایی آن‌ها
  • 19. نمودارهای علّی (Causal Graphs) و مفاهیم d-separation
  • 20. قانون درب پشتی (Back-door Criterion) برای کنترل مخدوشگرها
  • 21. امتیاز تمایل (Propensity Score): تعریف و کاربرد
  • 22. روش‌های مبتنی بر امتیاز تمایل: وزن‌دهی معکوس (IPW)
  • 23. روش‌های مبتنی بر امتیاز تمایل: تطبیق (Matching)
  • 24. متا-یادگیرنده‌ها برای تخمین HTE: S-Learner و T-Learner
  • 25. متا-یادگیرنده‌ها برای تخمین HTE: X-Learner و R-Learner
  • 26. معرفی جنگل‌های علّی (Causal Forests)
  • 27. بخش سوم: شبکه‌های عصبی گراف (GNN) برای یادگیری روی شبکه‌ها
  • 28. چرا به GNN نیاز داریم؟ محدودیت‌های شبکه‌های عصبی سنتی
  • 29. یادگیری بازنمایی گره (Node Representation Learning)
  • 30. مکانیسم بنیادین GNN: انتشار پیام (Message Passing)
  • 31. شبکه‌های عصبی کانولوشنی گراف (GCN): مبانی و ریاضیات
  • 32. معماری GraphSAGE: نمونه‌برداری از همسایگان برای گراف‌های بزرگ
  • 33. شبکه‌های عصبی توجه گراف (GAT): وزن‌دهی به همسایگان
  • 34. آماده‌سازی داده‌های گراف برای مدل‌های GNN
  • 35. کتابخانه‌های محبوب برای پیاده‌سازی GNN: PyTorch Geometric و DGL
  • 36. بخش چهارم: تعریف علیت در شبکه‌ها و اثرات سرایت
  • 37. تعریف دقیق اثرات علّی تحت سرایت (Interference)
  • 38. نقشه‌برداری مواجهه (Exposure Mapping): تعریف مواجهه یک گره
  • 39. اثر مستقیم (Direct Effect): اثر درمان بر روی خود فرد
  • 40. اثر غیرمستقیم یا سرایتی (Indirect/Spillover Effect): اثر درمان همسایگان
  • 41. تفکیک اثرات سرایتی بر اساس فاصله در شبکه (k-hop neighbors)
  • 42. مخدوش‌گری شبکه‌ای (Network Confounding): هموفیلی و تاثیر اجتماعی
  • 43. چالش‌های شناسایی (Identification) اثرات علّی در حضور سرایت
  • 44. بخش پنجم: یادگیری متعامد و ماشین‌های دوگانه (Double Machine Learning)
  • 45. مشکل سوگیری ناشی از تنظیم‌سازی (Regularization Bias) در تخمین علّی
  • 46. مفهوم تعامد نیمن (Neyman Orthogonality)
  • 47. توابع مزاحم (Nuisance Functions): مدل پیامد و مدل امتیاز تمایل
  • 48. یادگیری ماشین دوگانه (DML): یک رویکرد دو مرحله‌ای
  • 49. نقش حیاتی نمونه‌گیری متقاطع (Cross-Fitting) در DML
  • 50. چرا تعامد به تخمین‌گرهای مقاوم (Robust) منجر می‌شود؟
  • 51. تئوری پشت DML: کاهش حساسیت به خطای تخمین توابع مزاحم
  • 52. از DML تا یادگیری متعامد در مدل‌های عمیق
  • 53. بخش ششم: معماری مدل GNN-محور برای تخمین HTE در شبکه‌ها
  • 54. معماری کلی مدل: ترکیب GNN و یادگیری متعامد
  • 55. تعریف توابع مزاحم در بستر شبکه
  • 56. مدل‌سازی تابع پیامد (Outcome Model) با استفاده از GNN
  • 57. مدل‌سازی تابع امتیاز تمایل (Propensity Model) با استفاده از GNN
  • 58. نقش GNN در یادگیری بازنمایی‌های غنی از ساختار شبکه
  • 59. تجزیه اثر ناهمگن کلی به اثرات مستقیم و سرایتی
  • 60. استفاده از مکانیسم توجه (Attention) برای تجمیع اثرات همسایگان
  • 61. بخش هفتم: تابع زیان متعامد و فرآیند آموزش
  • 62. فرمول‌بندی تابع زیان متعامد برای تخمین اثر مستقیم
  • 63. فرمول‌بندی تابع زیان متعامد برای تخمین اثر سرایتی
  • 64. ترکیب زیان‌ها: آموزش همزمان مدل‌های پیامد و تمایل
  • 65. مرحله نهایی: آموزش مدل تخمین‌گر CATE بر روی باقیمانده‌ها
  • 66. جزئیات فرآیند آموزش مبتنی بر نمونه‌گیری متقاطع
  • 67. بررسی گام‌به‌گام الگوریتم یادگیری متعامد در مدل پیشنهادی
  • 68. جلوگیری از بیش‌برازش (Overfitting) در مدل‌های پیچیده GNN
  • 69. بخش هشتم: پیاده‌سازی عملی مدل
  • 70. راه‌اندازی محیط برنامه‌نویسی: Python، PyTorch و PyG
  • 71. ساختارهای داده برای مسائل علّیت شبکه‌ای
  • 72. پیاده‌سازی ماژول GNN برای مدل پیامد (Outcome)
  • 73. پیاده‌سازی ماژول GNN برای مدل تمایل (Propensity)
  • 74. پیاده‌سازی تابع زیان متعامد سفارشی در PyTorch
  • 75. نوشتن حلقه آموزش (Training Loop) با منطق Cross-Fitting
  • 76. بهینه‌سازی محاسبات و استفاده از GPU
  • 77. نکات عملی برای اشکال‌زدایی (Debugging) مدل‌های علّی عمیق
  • 78. بخش نهم: ارزیابی و آزمایش‌ها
  • 79. معیارهای ارزیابی برای تخمین‌گرهای CATE: PEHE و ATE Error
  • 80. تولید داده‌های مصنوعی با ساختار شبکه‌ای و اثرات علّی مشخص
  • 81. چگونه یک شبیه‌سازی معتبر برای ارزیابی مدل طراحی کنیم؟
  • 82. مقایسه عملکرد مدل با روش‌های پایه (Baselines)
  • 83. تحلیل نتایج بر روی داده‌های مصنوعی: بازیابی اثرات واقعی
  • 84. مطالعه موردی اول: تحلیل اثر کمپین‌های بازاریابی در شبکه‌های اجتماعی
  • 85. مطالعه موردی دوم: تخمین اثر یک سیاست اقتصادی در شبکه‌های تجاری
  • 86. تفسیرپذیری نتایج: شناسایی گره‌های با بیشترین و کمترین اثر
  • 87. تحلیل حساسیت (Sensitivity Analysis) نسبت به مخدوشگرهای پنهان
  • 88. بخش دهم: موضوعات پیشرفته و مسیرهای آینده
  • 89. گسترش مدل برای درمان‌های پیوسته یا چند مقداری
  • 90. مدل‌سازی شبکه‌های پویا (Dynamic Networks) و درمان‌های متغیر با زمان
  • 91. مقابله با چالش مقیاس‌پذیری در گراف‌های بسیار بزرگ
  • 92. ترکیب یادگیری متعامد با سایر رویکردهای علّی (مانند متغیرهای ابزاری)
  • 93. محدودیت‌های رویکرد GNN-محور و یادگیری متعامد
  • 94. مسائل اخلاقی در تخمین اثرات ناهمگن و تصمیم‌گیری‌های الگوریتمی
  • 95. مرور پژوهش‌های اخیر در زمینه استنباط علّی روی گراف‌ها
  • 96. جمع‌بندی دوره و ارائه ایده‌هایی برای پروژه‌های نهایی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب یادگیری متعامد برای تخمین اثرات علّی ناهمگن در شبکه‌ها: رویکرد GNN-محور”

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

محصولات مشابه

پیمایش به بالا