剧集
因果推理和开放源代码因果分析工具的基础
替换为 Emre Kiciman
许多关键数据科学任务都与决策有关。 他们需要了解事件的原因以及如何采取措施来改善未来的结果。 机器学习（ML）模型依赖于相关性模式来预测问题的答案，但往往在这些决策任务上失败，因为它们推动的决策和操作会改变他们依赖的模式。 相比之下，因果推理方法旨在依赖于稳定可靠的因果机制生成的模式，即使决策和操作发生变化。 通过从因果方法中获得的见解，新的、不断增长的因果机器学习领域有望解决通用性、可解释性、偏见和隐私的基本 ML 挑战。
在此演讲中，你将了解因果推理的基础知识，包括如何在正式图形模型中捕获原因和效果的目标问题，并使用可用数据系统地回答。 我们将介绍一个四步因果建模框架，用于使用 DoWhy、EconML 库和 ShowWhy 无代码工具分析决策任务和演练代码示例。
许多关键数据科学任务都与决策有关。 他们需要了解事件的原因以及如何采取措施来改善未来的结果。 机器学习（ML）模型依赖于相关性模式来预测问题的答案，但往往在这些决策任务上失败，因为它们推动的决策和操作会改变他们依赖的模式。 相比之下，因果推理方法旨在依赖于稳定可靠的因果机制生成的模式，即使决策和操作发生变化。 通过从因果方法中获得的见解，新的、不断增长的因果机器学习领域有望解决通用性、可解释性、偏见和隐私的基本 ML 挑战。
在此演讲中，你将了解因果推理的基础知识，包括如何在正式图形模型中捕获原因和效果的目标问题，并使用可用数据系统地回答。 我们将介绍一个四步因果建模框架，用于使用 DoWhy、EconML 库和 ShowWhy 无代码工具分析决策任务和演练代码示例。
视频 URL
HTML iframe
想提供反馈？ 在此处提交问题。