Ciencia de Datos Causal con Grafos Acíclicos Dirigidos

Resumen

This course offers an introduction into causal data science with directed acyclic graphs (DAG). DAGs combine mathematical graph theory with statistical probability concepts and provide a powerful approach to causal reasoning.

Originally developed in the computer science and artificial intelligence field, they recently gained increasing traction also in other scientific disciplines (such as machine learning, economics, finance, health sciences, and philosophy). DAGs allow to check the validity of causal statements based on intuitive graphical criteria, that do not require algebra.

In addition, they open the possibility to completely automatize the causal inference task with the help of special identification algorithms. As an encompassing framework for causal thinking, DAGs are becoming an essential tool for everyone interested in data science and machine learning.

Programa

• 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

---

Impartido por

Paul Hünermund

---

Materias

Data Science