Science des données causales avec des graphes acycliques dirigés

Aperçu

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.

Programme

• Introduction à la science des données causales
Vue d'ensemble de l'inférence causale
Importance du raisonnement causal en science des données
Contexte historique et applications des DAGs
• Fondamentaux des graphes acycliques dirigés (DAGs)
Concepts de base en théorie des graphes
Propriétés des DAGs
Représentation graphique des variables et des relations causales
• Construction et interprétation des DAGs
Construction de DAGs à partir des connaissances du domaine
Modèles communs et structures dans les DAGs
Identification des chemins causaux et des chemins bloquants
• Identification causale avec les DAGs
D-séparation et indépendance conditionnelle
Critères graphiques pour les énoncés causaux
Identification des variables confondantes et ajustement pour le biais
• Algorithmes pour l'inférence causale
Aperçu des algorithmes d'identification causale
Introduction au calcul de Pearl
Inférence causale automatique à partir des données
• Applications des DAGs dans diverses disciplines
Cas d'utilisation en apprentissage automatique
Cadres causaux en économie et finance
Applications en sciences de la santé et en épidémiologie
• Exercices pratiques avec les DAGs
Construction et analyse pratique des DAGs
Application des DAGs à des problèmes du monde réel
Outils logiciels pour l'analyse des DAGs (par exemple, DAGitty, bnlearn)
• Sujets avancés dans les DAGs
Modèles causaux structurels (SCM)
Modèles de rétroaction et cycliques
Développements récents et orientations futures
• Résumé et révision
Points clés du cours
Intégration des DAGs avec d'autres méthodes causales
Lectures complémentaires et ressources
• Projet final
Conception et analyse d'une étude causale basée sur un DAG
Présentation et discussion des résultats

---

Enseigné par

Paul Hünermund

---

Matières

Data Science