لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش علم داده علّی با نمودارهای غیر چرخه ای جهت دار
Causal Data Science with Directed Acyclic Graphs
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
با ابزارهای مدرن استنتاج علّی از یادگیری ماشینی و هوش مصنوعی با مثال های کاربردی فراوان در R استنتاج علّی در علم داده و یادگیری ماشینی نحوه کار با نمودارهای آسیلی جهت دار (DAG) جدیدترین پیشرفت ها در هوش مصنوعی علّی پیش نیازها: دانش پایه احتمال و آمار مهارت های برنامه نویسی اولیه مزیت محسوب می شود
این دوره مقدمه ای بر علم داده علّی با نمودارهای غیر چرخه ای جهت دار (DAG) ارائه می دهد. DAG ها نظریه گراف ریاضی را با مفاهیم احتمال آماری ترکیب می کنند و یک رویکرد قدرتمند برای استدلال علّی ارائه می دهند. آنها که در ابتدا در زمینه علوم کامپیوتر و هوش مصنوعی توسعه یافته بودند، اخیراً در سایر رشته های علمی (مانند یادگیری ماشینی، اقتصاد، امور مالی، علوم بهداشتی و فلسفه) نیز مورد توجه فزاینده ای قرار گرفتند. DAG ها امکان بررسی اعتبار عبارات علی را بر اساس معیارهای گرافیکی بصری، که نیازی به جبر ندارند، می دهند. علاوه بر این، آنها امکان خودکارسازی کامل کار استنتاج علی را با کمک الگوریتمهای شناسایی ویژه باز میکنند. به عنوان چارچوبی فراگیر برای تفکر علّی، DAGها به ابزاری ضروری برای همه علاقهمندان به علم داده و یادگیری ماشین تبدیل میشوند.
این دوره نمای کلی خوبی از پیشرفت های نظری که در طی سی سال گذشته در علم داده های علّی ایجاد شده است، ارائه می دهد. تمرکز بر کاربردهای عملی تئوری است و دانشآموزان در موقعیتی قرار میگیرند که از روشهای علم دادههای علی در کار خود استفاده کنند. مثال های عملی با استفاده از نرم افزار آماری R، مطالب ارائه شده را راهنمایی می کند. هیچ پیش نیاز خاصی وجود ندارد، اما دانش کاری خوب در آمار اولیه و برخی مهارت های برنامه نویسی یک مزیت است.
سرفصل ها و درس ها
معرفی
Introduction
خوش آمدی
Welcome
مدلهای علی ساختاری، مداخلات و نمودارها
Structural Causal Models, Interventions, and Graphs
گراف های غیر چرخه ای هدایت شده
Directed Acyclic Graphs
مدل های علی ساختاری
Structural Causal Models
د-جداسازی
D-Separation
مداخلات
Interventions
نمونه های R
R Examples
ضمیمه
Appendix
کشف علی
Causal Discovery
مفاهیم قابل آزمایش DAGs
Testable Implications of DAGs
R Interlude
R Interlude
کشف علی
Causal Discovery
الگوریتم PC
The PC Algorithm
ملاحظات عملی
Practical Considerations
تعصب گیج کننده و آزمایش های جایگزین
Confounding Bias and Surrogate Experiments
تعصب گیج کننده
Confounding Bias
تنظیم درب پشتی
Backdoor Adjustment
تنظیم درب جلو
Frontdoor Adjustment
انجام حساب
Do-Calculus
R مثال 1
R Examples 1
Z-شناسایی
Z-Identification
R مثال 2
R Examples 2
بازیابی از تعصب انتخاب
Recovering from Selection Bias
تعصب انتخاب
Selection Bias
بازیابی از تعصب انتخاب
Recovering from Selelection Bias
نمونه های R
R Examples
قابلیت انتقال دانش علی در سراسر دامنه ها
Transportability of Causal Knowledge Across Domains
وظیفه حمل و نقل
The Transportability Task
S-Admissibility و Do-calculus
S-Admissibility and Do-Calculus
Mz-قابلیت حمل و نقل
Mz-Transportability
نمونه های R
R Examples
Outro
Outro
فرآیند علم داده علّی
The Causal Data Science Process
نمایش نظرات