最近大多數機器學習都專注於純預測性能，這是其實際成功背後的驅動力。因果關係的問題(理解預測為什麼有效)在某種程度上被拋在了後麵。這種模式非常重要，因為它可以幫助理解哪些基因導致了哪些疾病，哪些政策影響了哪些經濟指標。
在因果關係領域，我們希望了解係統在幹預(如基因敲除實驗)下的反應。這些問題超出了統計上的依賴，因此不能用標準的回歸或分類技術來回答。在本教程中，你將學習因果推理的有趣問題和該領域的最新發展。不需要事先了解因果關係。
第一部分: 我們介紹了結構性因果模型和正式的介入性分布。我們定義因果效應，並展示如何計算它們，如果因果結構是已知的。
第二部分: 我們提出了三種可以用來從數據中推斷因果結構的想法:(1)發現數據中的(條件)獨立性，(2)限製結構方程模型，(3)利用因果模型在不同環境中保持不變的事實。
第三部分:我們展示了因果概念如何在更經典的機器學習問題中使用。
第四部分: 機器學習的應用
">
最近大多數機器學習都專注於純預測性能，這是其實際成功背後的驅動力。因果關係的問題(理解預測為什麼有效)在某種程度上被拋在了後麵。這種模式非常重要，因為它可以幫助理解哪些基因導致了哪些疾病，哪些政策影響了哪些經濟指標。
在因果關係領域，我們希望了解係統在幹預(如基因敲除實驗)下的反應。這些問題超出了統計上的依賴，因此不能用標準的回歸或分類技術來回答。在本教程中，你將學習因果推理的有趣問題和該領域的最新發展。不需要事先了解因果關係。
第一部分: 我們介紹了結構性因果模型和正式的介入性分布。我們定義因果效應，並展示如何計算它們，如果因果結構是已知的。
第二部分: 我們提出了三種可以用來從數據中推斷因果結構的想法:(1)發現數據中的(條件)獨立性，(2)限製結構方程模型，(3)利用因果模型在不同環境中保持不變的事實。
第三部分:我們展示了因果概念如何在更經典的機器學習問題中使用。
第四部分: 機器學習的應用
微信掃碼谘詢專知VIP會員
Causality
