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

آموزش علم داده علّی با نمودارهای غیر چرخه ای جهت دار
جزییات دوره
5 hours
27
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,170
4.4 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Paul Hünermund Paul Hünermund

استاد اقتصاد بازرگانی