Ciencia de Datos Causal con Grafos Acíclicos Dirigidos

Resumen

Este curso ofrece una introducción a la ciencia de datos causal con gráficos acíclicos dirigidos (DAG). Los DAG combinan la teoría de grafos matemática con conceptos de probabilidad estadística y proporcionan un enfoque poderoso para el razonamiento causal.

Desarrollados originalmente en el campo de la informática y la inteligencia artificial, recientemente han ganado cada vez más atención en otras disciplinas científicas (como el aprendizaje automático, la economía, las finanzas, las ciencias de la salud y la filosofía). Los DAG permiten verificar la validez de afirmaciones causales basadas en criterios gráficos intuitivos, que no requieren álgebra.

Además, abren la posibilidad de automatizar completamente la tarea de inferencia causal con la ayuda de algoritmos especiales de identificación. Como un marco abarcador para el pensamiento causal, los DAG están convirtiéndose en una herramienta esencial para todos los interesados en la ciencia de datos y el aprendizaje automático.

Programa de estudio

• Introducción a la Ciencia de Datos Causal
Visión General de la Inferencia Causal
Importancia del Razonamiento Causal en la Ciencia de Datos
Contexto Histórico y Aplicaciones de los DAGs
• Fundamentos de los Grafos Acíclicos Dirigidos (DAGs)
Conceptos Básicos en Teoría de Grafos
Propiedades de los DAGs
Representación Gráfica de Variables y Relaciones Causales
• Construcción e Interpretación de DAGs
Construcción de DAGs a partir del Conocimiento del Dominio
Patrones y Estructuras Comunes en los DAGs
Identificación de Caminos Causales y Caminos de Bloqueo
• Identificación Causal con DAGs
D-separación y Independencia Condicional
Criterios Gráficos para Afirmaciones Causales
Identificación de Confusores y Ajuste para el Sesgo
• Algoritmos para la Inferencia Causal
Visión General de Algoritmos de Identificación Causal
Introducción al Cálculo de Hacer de Pearl
Inferencia Causal Automática a partir de Datos
• Aplicaciones de los DAGs en Diversas Disciplinas
Casos de Uso en Aprendizaje Automático
Marcos Causales en Economía y Finanzas
Aplicaciones en Ciencias de la Salud y Epidemiología
• Ejercicios Prácticos con DAGs
Construcción y Análisis Práctico de DAGs
Aplicación de DAGs a Problemas del Mundo Real
Herramientas de Software para Análisis de DAGs (ej., DAGitty, bnlearn)
• Temas Avanzados en DAGs
Modelos Causales Estructurales (SCM)
Modelos con Retroalimentación y Cíclicos
Desarrollos Recientes y Direcciones Futuras
• Resumen y Revisión
Puntos Clave del Curso
Integración de DAGs con Otros Métodos Causales
Lecturas Adicionales y Recursos
• Proyecto Final
Diseño y Análisis de un Estudio Causal Basado en DAG
Presentación y Discusión de los Resultados

Enseñado por

Paul Hünermund

Asignaturas

Ciencia de datos