Science des données causales avec des graphes acycliques dirigés

Aperçu

Ce cours propose une introduction à la science des données causale avec des graphes acycliques dirigés (DAG). Les DAGs combinent la théorie des graphes mathématiques avec des concepts de probabilité statistique et offrent une approche puissante du raisonnement causal.

Développés à l'origine dans le domaine de l'informatique et de l'intelligence artificielle, ils ont récemment gagné en popularité dans d'autres disciplines scientifiques (telles que l'apprentissage automatique, l'économie, la finance, les sciences de la santé et la philosophie). Les DAGs permettent de vérifier la validité des déclarations causales sur la base de critères graphiques intuitifs qui ne nécessitent pas d'algèbre.

De plus, ils ouvrent la possibilité d'automatiser complètement la tâche d'inférence causale grâce à des algorithmes d'identification spéciaux. En tant que cadre global pour la pensée causale, les DAGs deviennent un outil essentiel pour quiconque s'intéresse à la science des données et à l'apprentissage automatique.

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

Sujets

Science des données