چکیده مقاله
استنتاج علی به عنوان چارچوبی برای درک روابط علت و معلولی از داده های مشاهده ای، تجربی یا شبیه سازی شده، نقش فزاینده ای در علوم کامپیوتر و تحلیل داده های پیچیده ایفا می کند در حالی که روش های آماری کلاسیک عمدتا بر همبستگی ها متمرکز هستند، استنتاج علی به دنبال کشف اثرات مداخله ای و پاسخ به سوالات «چرا» و «چه می شد اگر» است این مقاله به مرور سیستماتیک مبانی نظری، روش ها، الگوریتم ها و کاربردهای استنتاج علی در حوزه های مختلف علوم کامپیوتر مانند یادگیری ماشین، داده کاوی، بینایی کامپیوتر، پردازش زبان طبیعی و سیستم های توصیه گر می پردازد با توجه به ویژگی های داده های پیچیده و چندبعدی مدرن مانند ابعاد بالا، ناهمگونی، وابستگی های فضایی زمانی و ساختارهای گرافی ، چالش هایی مانند ابعاد بالا، confounding متغیرهای مخدوش کننده ، انتخاب سوگیرانه و سروصدا مورد بررسی قرار می گیرند روش های مبتنی بر مدل های گرافی علی Causal Graphical Models ، استنتاج علی در فضای ضدواقع Counterfactual Reasoning ، و یادگیری علی ساختاری Structural Causal Models تشریح می شوند همچنین، کاربرد این روش ها در تحلیل داده های چندبعدی مانند تصاویر، ویدیوها، داده های متنی و شبکه های اجتماعی ارائه می گردد در نهایت، روندهای آینده از جمله تلفیق یادگیری عمیق با استنتاج علی، مقیاس پذیری الگوریتم ها و اخلاق در مدل سازی علی مورد بحث قرار می گیرد
کلیدواژهها
نویسندگان
فاطمه صفائی
کارشناسی علوم کامپیوتر دانشگاه آزاد واحد نجف آباد
زهرا صفائی
کارشناسی علوم کامپیوتر دانشگاه آزاد واحد نجف آباد
رزومه علمی کاربران
درباره سیویلیکاتبلیغات در سیویلیکاآمار علمی ایرانتقویم علمی ایرانداده کاوی مقالاتطرح های پژوهشی
شیوه ارجاع
در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید: صفائی، فاطمه و صفائی، زهرا،1404،مروری بر روش های استنتاج علی در علوم کامپیوتر و کاربرد آن ها در تحلیل داده های پیچیده و چندبعدی،دومین کنفرانس بین المللی رویکردهای نوین در مهندسی و علوم پایه،https://civilica.com/doc/2606516
ارائهشده در
مجموعه مقالات دومین کنفرانس بین المللی رویکردهای نوین در مهندسی و علوم پایه7 اسفند 1404