آموزش استنباط علی در شرایط مخدوش‌کننده‌های پنهان [ویدئویی] - آخرین آپدیت

دانلود Causal Inference Under Hidden Confounding [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره: دوره استنباط علی در شرایط مخدوش‌کننده‌های پنهان، یک نقشه راه عملی برای مقابله با یکی از سخت‌ترین چالش‌های تحلیل‌های علی ارائه می‌دهد: تخمین اثرات علی زمانی که همه متغیرهای مخدوش‌کننده مشاهده نشده‌اند. مخدوش‌کنندگی پنهان در اکثر مجموعه‌داده‌های واقعی، از بهداشت و درمان و اقتصاد گرفته تا سیاست‌گذاری و کسب‌وکار یک واقعیت است و مدل‌های ساده‌انگارانه ریسک ارائه نتایج گمراه‌کننده را دارند. این منبع شما را با ابزارها و چارچوب‌های لازم برای پرداختن به این چالش‌ها مجهز می‌کند. فراتر از شناسایی، شما تکنیک‌های استحکام از جمله E-values و تحلیل‌های حساسیت را بررسی خواهید کرد تا ارزیابی کنید که مخدوش‌کنندگی پنهان چگونه می‌تواند بر نتایج تأثیر بگذارد. در پایان، شما مهارت‌های لازم برای طراحی، اجرا و ارزیابی انتقادی استراتژی‌های استنباط علی در شرایط مخدوش‌کنندگی پنهان را کسب خواهید کرد تا اطمینان حاصل کنید که بینش‌های شما معتبر و قابل اجرا هستند. - نمایش مفروضات علی با استفاده از DAGها در شرایط مخدوش‌کنندگی - استفاده از روش‌های Front-door و Proximal برای شناسایی - بهره‌گیری از کنترل‌های منفی برای شناسایی مخدوش‌کننده‌های پنهان - به کارگیری تکنیک‌های استنباط علی روی مجموعه‌داده‌های واقعی - ارزیابی انتقادی استحکام نتایج علی این دوره برای دانشمندان داده، آمارشناسان، پژوهشگران کاربردی و مهندسان یادگیری ماشین طراحی شده است که نیاز دارند از داده‌های مشاهده‌ای ناقص، ادعاهای علی استخراج کنند. داشتن دانش کاربردی از پایتون و مفاهیم پایه استنباط علی توصیه می‌شود. متخصصان حوزه‌های بهداشت، اقتصاد، سیاست‌گذاری و تحلیل کسب‌وکار از ابزارهای پیشرفته برای کاهش اثر مخدوش‌کننده‌های پنهان و اطمینان از تصمیم‌گیری‌های مستحکم بهره‌مند خواهند شد. - اعمال روش‌های پیشرفته استنباط علی بر داده‌های مخدوش شده - استفاده از متغیرهای ابزاری (IVs)، روش‌های Front-door و Proximal برای شناسایی - انجام بررسی‌های استحکام و تحلیل‌های حساسیت در پایتون

سرفصل ها و درس ها