Video Edition 2025-2 | Complete Course 2026

Video Edition 2025-2 is a comprehensive, hands-on course designed to take you from the fundamentals to advanced, real-world mastery of causal. Whether you are just starting out or looking to level up, this course gives you the structured path and practical projects you need to succeed.

Throughout the lessons you will build genuine confidence with causal and wp-content, learning through clear explanations and step-by-step examples you can apply immediately. Below you will find everything the course covers, who it is for, and a full breakdown of the curriculum before you download.

Course Description

دوره Causal AI, Video Edition. این دوره آموزشی روش‌های ساخت مدل‌های هوش مصنوعی را آموزش می‌دهد که قادر به انجام استنتاج علّی به شکل قابل اطمینانی هستند. هوش مصنوعی علّی بینش لازم برای پیش‌بینی و کنترل نتایج را بر پایه روابط علّی و نه صرفاً همبستگی فراهم می‌کند و امکان مداخلات دقیق و به موقع را فراهم می‌سازد. این دوره به عنوان یک مقدمه کاربردی، ساخت مدل‌هایی را که می‌توانند در مورد علّیت استدلال کنند، پوشش می‌دهد. در حالی که مدل‌های سنتی یادگیری ماشین قادر به پاسخگویی به سوالات علّی مانند “چرا آن اتفاق افتاد؟” یا “برای تغییر نتیجه چه عواملی باید تغییر کنند؟” نیستند، این دوره با تلفیق روش‌های آماری پیشرفته، تکنیک‌های محاسباتی و الگوریتم‌های جدید، سیستم‌هایی ایجاد می‌کند که فرآیند استنتاج علّی را خودکار می‌سازند. این دوره ابزارها، تکنیک‌ها و الگوریتم‌های استدلال علّی برای یادگیری ماشین را معرفی کرده و به مهارت، رویکردهای بیزی و احتمالاتی را با مثال‌های عملی در پایتون ترکیب می‌کند. نویسنده، رابرت اوزازووا نس، محقق برجسته مایکروسافت ریسرچ، تخصص منحصر به فرد خود را در این راهنمای پیشرفته به اشتراک گذاشته و با رویکردی کد-محور و واضح، جزئیات اساسی یادگیری ماشین علّی را که معمولاً در متون آکادمیک پنهان می‌مانند، تشریح می‌کند. تمامی آموخته‌های این دوره را می‌توان به سادگی و به طور موثر در چالش‌های صنعتی، از ساخت مدل‌های علّی قابل تفسیر تا پیش‌بینی نتایج متضاد با واقعیت، به کار بست.

What You Will Learn

ساخت الگوریتم‌های یادگیری تقویتی علّی (Causal Reinforcement Learning).
اجرای استنتاج علّی با استفاده از ابزارهای ماشینی احتمالاتی مدرن مانند PyTorch و Pyro.
مقایسه و کنتراست روش‌های آماری و اقتصادسنجی برای استنتاج علّی.
تنظیم الگوریتم‌ها برای انتساب (Attribution)، تخصیص اعتبار (Credit Assignment)، و توضیح.
تبدیل تخصص دامنه به مدل‌های علّی قابل توضیح.
استنتاج علّی سرتاسری با DoWhy.
مدل‌های هوش مصنوعی زایشی علّی بیزی عمیق (Deep Bayesian Causal Generative AI Models).
مروری کد-محور بر حساب دُو (Do-Calculus) و سلسله مراتب علّی پرل (Pearl’s Causal Hierarchy).
کدنویسی برای تنظیم دقیق (Fine-Tuning) مدل‌های زبان بزرگ علّی (Causal Large Language Models).
ادغام مفروضات علّی در معماری‌های یادگیری عمیق (Deep Learning)، از جمله یادگیری تقویتی و مدل‌های زبان بزرگ.
استفاده از PyTorch، Pyro و سایر کتابخانه‌های ML برای مقیاس‌دهی استنتاج علّی.