causal3 Part 3. Modern Identification Module 5. 인과추론은 서울대학교 이상학 교수님이 강의를 하셨고 Module 5에 관한 모든 내용은 LG Aimers 및 서울대학교 이상학 교수님으로부터 나왔다. Modern Identification Generalized Identification - 여러 데이터가 한 도메인에 주어져 있을 때 그것을 활용해서 원하는 인과 효과를 계산하는 것 - Do-calculus를 이용 -> 여러 가지 데이터를 활용해도 인과 효과 계산 가능 - General Identifiability : 여러 데이터가 한 도메인에 주어져 있을 때 활용하여 원하는 인과 효과를 계산하는 것 Transportability - 주어져있는 데이터의 소스와 우리가 인과 효과를 계산하고자 하는 타깃이 서로 다른 도메인일 때의 인과 추론을.. 2022. 7. 29. Part 2. Causal Effect Identification Module 5. 인과추론은 서울대학교 이상학 교수님이 강의를 하셨고 Module 5에 관한 모든 내용은 LG Aimers 및 서울대학교 이상학 교수님으로부터 나왔다. Causal Effect Identification Computing Causal Effects from Observational Data - Z : X와 Y에 서로 영향을 미치는 교란변수 - W : X와 Y의 중간에 있는 변수, mediator - 간단하게 식을 전개한 후 그 결합분포에서부터 중재하고 있는 변수, 그 변수와 관련된 조건부 확률을 제거하여 인과효과를 계산 Back-door Criterion - X와 Y의 전체 상관성은 직접 연결관계, 교란 변수에 의한 연결관계 두 가지 - 인과효과 계산 = X가 변하면 Y가 어떻게 변하는지.. 2022. 7. 29. Part 1. Causality Module 5. 인과추론은 서울대학교 이상학 교수님이 강의를 하셨고 Module 5에 관한 모든 내용은 LG Aimers 및 서울대학교 이상학 교수님으로부터 나왔다. Causality(인과성) 인과성과 AI, ML, DS는 어떤 관계인가? 1. AI - 주어진 상황에서 어떤 행동을 취할지 학습(ex, 강화학습) -> 환경에 변화를 줘서 원하는 상태로 변화시키는 인과관계로 해석 가능 2. ML(Machine Learning) - 데이터의 상관성 학습 3. DS(Data Science) - 상관성과 인과성 모두 복합적으로 고려 Pearl's Causal Hierarchy Level 1 : 관측 계층(Associational or Observational) - 시스템을 구성하고 있는 변수들의 상관성 파악 가.. 2022. 7. 29. 이전 1 다음
