فلش‌کارت‌های آموزشی QuEst: تخمین کمّی‌های مبتنی بر چندک با استفاده از پیش‌بینی مدل‌ها و داده‌های ترکیبی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره QuEst: تخمین کمّی‌های مبتنی بر چندک با استفاده از پیش‌بینی مدل‌ها و داده‌های ترکیبی

موضوع کلی: تخمین توزیع و تحلیل عدم قطعیت در یادگیری ماشین

موضوع میانی: روش‌های ترکیبی برای تخمین کمّی‌های توزیع

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر توزیع و عدم قطعیت در داده‌ها
• 2. مبانی احتمال و آمار برای یادگیری ماشین
• 3. انواع توزیع‌های احتمال رایج
• 4. مفهوم کمّی (Quantile) و کاربردهای آن
• 5. تخمین توزیع در یادگیری ماشین: چالش‌ها
• 6. تخمین توزیع پارامتریک در مقابل غیرپارامتریک
• 7. روش‌های نقطه‌ای برای تخمین پارامترهای توزیع
• 8. محدودیت‌های روش‌های نقطه‌ای در توصیف کامل توزیع
• 9. چرا به تخمین توزیع کامل نیاز داریم؟
• 10. اندازه‌گیری عدم قطعیت در پیش‌بینی‌های یادگیری ماشین
• 11. کاربرد کمّی‌ها در تحلیل عدم قطعیت
• 12. کمّی‌های کلیدی: میانه، چارک اول و سوم، صدک‌ها
• 13. مفهوم توزیع شرطی (Conditional Distribution)
• 14. چالش‌های تخمین توزیع شرطی
• 15. مقدمه‌ای بر روش‌های ترکیبی (Ensemble Methods)
• 16. مبانی روش‌های ترکیبی در یادگیری ماشین
• 17. انواع روش‌های ترکیبی: Bagging، Boosting، Stacking
• 18. کاربرد روش‌های ترکیبی برای بهبود تخمین توزیع
• 19. مروری بر مقاله QuEst
• 20. هدف اصلی QuEst: بهبود تخمین کمّی‌های توزیع
• 21. مکانیسم اصلی QuEst: استفاده از پیش‌بینی مدل‌ها
• 22. اجزای کلیدی QuEst
• 23. مدل‌های پیش‌بینی‌کننده (Predictor Models) در QuEst
• 24. کالیبراسیون مدل‌های پیش‌بینی‌کننده
• 25. استفاده از توزیع پیش‌بینی شده توسط مدل‌های منفرد
• 26. تکنیک‌های تجمیع پیش‌بینی‌ها از مدل‌های مختلف
• 27. تخمین کمّی‌ها بر اساس توزیع تجمیع شده
• 28. مراحل اجرایی QuEst
• 29. نمونه‌سازی داده‌ها در QuEst
• 30. تعریف توابع هدف برای QuEst
• 31. تابع زیان (Loss Function) مناسب برای تخمین کمّی
• 32. تابع زیان برای کمّی‌های نامتقارن
• 33. تابع زیان Quantile Loss
• 34. کاربرد توابع زیان مخصوص کمّی
• 35. ارتباط QuEst با توابع زیان کمّی
• 36. معرفی مدل‌های پایه (Base Models)
• 37. انتخاب مدل‌های پایه مناسب برای QuEst
• 38. تنظیم ابرپارامترهای (Hyperparameters) مدل‌های پایه
• 39. آموزش مدل‌های پایه بر روی داده‌های آموزشی
• 40. پیش‌بینی توزیع توسط هر مدل پایه
• 41. استخراج توزیع از پیش‌بینی‌های مدل‌های پایه
• 42. نرمال‌سازی پیش‌بینی‌های توزیع
• 43. تکنیک‌های وزن‌دهی (Weighting) به پیش‌بینی‌ها
• 44. تخمین کمّی نهایی از توزیع ترکیبی
• 45. تکنیک‌های اصلی QuEst برای ترکیب پیش‌بینی‌ها
• 46. مدل ترکیب‌کننده (Combiner Model) در QuEst
• 47. معماری مدل ترکیب‌کننده
• 48. آموزش مدل ترکیب‌کننده
• 49. ورودی‌های مدل ترکیب‌کننده
• 50. خروجی مدل ترکیب‌کننده
• 51. نحوه محاسبه کمّی‌ها از خروجی مدل ترکیب‌کننده
• 52. ارزیابی عملکرد QuEst
• 53. معیارهای ارزیابی برای تخمین توزیع
• 54. معیارهای ارزیابی برای کمّی‌ها
• 55. Crps (Continuous Ranked Probability Score)
• 56. Quantile Score
• 57. متریک‌های دیگر برای ارزیابی عدم قطعیت
• 58. مقایسه QuEst با روش‌های سنتی تخمین توزیع
• 59. مقایسه QuEst با روش‌های ترکیبی استاندارد
• 60. مزایای QuEst در شرایط داده‌های محدود
• 61. مزایای QuEst در شرایط داده‌های نویزی
• 62. کاربرد QuEst در پیش‌بینی سری‌های زمانی
• 63. کاربرد QuEst در تحلیل رگرسیون
• 64. کاربرد QuEst در طبقه‌بندی (به صورت غیرمستقیم)
• 65. کاربرد QuEst در سیستم‌های توصیه‌گر (Recommender Systems)
• 66. کاربرد QuEst در پردازش زبان طبیعی (NLP)
• 67. کاربرد QuEst در بینایی ماشین (Computer Vision)
• 68. مطالعات موردی (Case Studies) از QuEst
• 69. جزئیات پیاده‌سازی QuEst
• 70. انتخاب چارچوب‌های یادگیری ماشین
• 71. نکات عملی در پیاده‌سازی QuEst
• 72. بهینه‌سازی فرآیند آموزش QuEst
• 73. مدیریت حافظه و محاسبات
• 74. مقیاس‌پذیری QuEst
• 75. پیش‌بینی کمّی‌های غیرمعمول
• 76. تخمین توزیع‌های چندوجهی (Multimodal Distributions)
• 77. کاربرد QuEst برای تخمین کمّی‌های مبتنی بر ریسک
• 78. تحلیل حساسیت (Sensitivity Analysis) در QuEst
• 79. درک تاثیر هر مدل پایه بر تخمین نهایی
• 80. تفسیرپذیری (Interpretability) در QuEst
• 81. تکنیک‌های بهبود تفسیرپذیری QuEst
• 82. محدودیت‌های QuEst
• 83. کارهای آتی مرتبط با QuEst
• 84. توسعه QuEst برای انواع دیگر توابع زیان
• 85. QuEst تطبیقی (Adaptive QuEst)
• 86. QuEst توزیع شده (Distributed QuEst)
• 87. QuEst برای داده‌های ناهمگن (Heterogeneous Data)
• 88. QuEst با تاکید بر حریم خصوصی (Privacy-preserving QuEst)
• 89. QuEst و یادگیری تقویتی (Reinforcement Learning)
• 90. QuEst در یادگیری عمیق (Deep Learning)
• 91. شبکه‌های عصبی برای مدل ترکیب‌کننده
• 92. استفاده از شبکه‌های عصبی برای مدل‌های پایه
• 93. QuEst و یادگیری انتقالی (Transfer Learning)
• 94. QuEst برای تخمین ناهمگنی (Heteroscedasticity)
• 95. QuEst و تحلیل داده‌های پرت (Outlier Detection)
• 96. QuEst برای تخمین توزیع‌های نامعلوم
• 97. نقش داده‌های ترکیبی (Hybrid Data) در QuEst
• 98. ترکیب داده‌های گذشته و حال
• 99. ترکیب داده‌های شبیه‌سازی شده و واقعی
• 100. کاربرد QuEst در پیش‌بینی آب و هوا