آموزش Causal AI - مقدمه

آنچه یاد خواهید گرفت:

• علیت چیست؟
• رابطه بین علیت و ارتباط
• چرا RCTs استاندارد طلایی برای استنباط علیت هستند؟
• کامپوننت‌های اصلی فریمورک Pearlian برای علیت - نردبان علیت، گراف‌های علیت، محاسبات Do، مدل‌های ساختاری علیت
• یادگیری ماشین و برآوردگرهای اثر علیت مبتنی بر نمره تمایل
• کشف علیت (الگوریتم‌ها)
• چگونه می‌توان اثرات علیت میانگین را با استفاده از داده‌ مشاهداتی برآورد کرد؟ (پوشش کل فرآیند end-to-end)

پیش‌نیازهای دوره

• دانش اولیه از احتمال و آمار

توضیحات دوره

در این دوره، شما کامپوننت‌های اساسی هوش مصنوعی علی (Causal AI) را یاد خواهید گرفت.

بیشتر مردم شروع به درک این موضوع کرده‌اند که مدل‌های متمرکز بر همبستگی کافی نیستند تا به سوالات مهم کسب‌وکار ما پاسخ دهند. تصمیم‌گیری‌های کسب‌وکار به درک اثر تصمیم‌های مختلف بر نتایج و انتخاب بهترین گزینه مربوط می‌شود. ما نمی‌توانیم اثر تصمیمات را بر نتایج تنها با همبستگی‌ها بفهمیم؛ ما باید علت و معلول را درک کنیم.

متاسفانه، شکاف بزرگی در دانش تکنیک‌های علیت بین افرادی که در صنعت داده و آمار فعالیت می‌کنند وجود دارد. این بدان معنی است که مسائل علیت اغلب با مدل‌های متمرکز بر همبستگی مواجه می‌شوند، که منجر به ارائه راه‌حل‌های نامطلوب یا حتی ضعیف می‌شود.

در سال‌های اخیر، حوزه علیت، به ویژه به دلیل کارهای Judea Pearl به طور چشمگیری رشد کرده است. Judea Pearl یک فریمورک ایجاد کرد که روش‌های واضح و عمومی را برای درک علیت و برآورد اثرات علیت با استفاده از داده‌ مشاهداتی فراهم می‌کند. ترکیب کار او با پیشرفت‌های در AI باعث ظهور حوزه هوش مصنوعی علی شده است.

Causal AI تماماً درباره استفاده از مدل‌های هوش مصنوعی برای برآورد اثرات علیت (با استفاده از داده‌ مشاهداتی) است. به طور کلی، کسب‌وکارها تنها به روش‌های آزمایشی مانند آزمایش‌های کنترل‌ شده تصادفی (RCT) و تست‌های A/B برای تعیین اثرات علیت متکی هستند.

Causal AI اکنون با ارائه ابزارهایی برای برآورد اثرات علیت با استفاده از داده‌ مشاهداتی که در محیط‌های کسب‌وکار بیشتر در دسترس است، به این موضوع افزوده می‌شود. این موضوع به ویژه در زمان‌هایی که تجربه‌گرایی ممکن یا عملی نیست، بسیار ارزشمند است و آن را به ابزاری قدرتمند برای کسب‌وکارها تبدیل می‌کند که می‌خواهند از داده‌ موجود خود برای تصمیم‌گیری استفاده کنند.

این دوره طراحی شده تا شکاف دانش در تکنیک‌های علیت برای افرادی که به داده و آمار علاقه‌مند هستند، پر کند. شما کامپوننت‌های اساسی Causal AI را با تمرکز خاص بر فریمورک Pearlian خواهید آموخت. مفاهیم کلیدی شامل نردبان علیت، گراف‌های علیت، محاسبات Do و مدل‌های ساختاری علیت خواهد بود. علاوه بر این، این دوره به تکنیک‌های برآورد مختلف می‌پردازد و هم یادگیری ماشین و هم برآوردهای مبتنی بر نمره تمایل را در بر خواهد گرفت. نهایتاً، شما با روش‌هایی آشنا خواهید شد که می‌توانیم برای به‌ دست‌ آوردن گراف‌های علیت استفاده کنیم، فرآیندی که کشف علیت نامیده می‌شود.

در پایان دوره، شما به طور کامل با تمام ابزارهای لازم برای برآورد اثرات علیت میانگین با استفاده از داده‌ مشاهداتی آشنا خواهید شد.

ما بر این باوریم کسی که در زمینه داده و آمار کار می‌کند باید علیت را درک کند و به تکنیک‌های علیت مجهز شود. با آموزش خود در این زمینه در مراحل اولیه، از دیگران در این حوزه متمایز خواهید شد. اگر شما درک اولیه از احتمال و آمار دارید و به یادگیری درباره Causal AI علاقه‌مند هستید، این دوره برای شما مناسب است.

این دوره برای چه کسانی مناسب است؟

• کسی که علاقه‌مند به یادگیری Causal AI است و دانش پایه‌ای در مورد احتمال و آمار دارد.
• به ویژه مربوط به آنهایی است که در زمینه داده و آمار فعالیت می‌کنند، مانند دانشمندان داده، تحلیلگران داده، دانشمندان تصمیم‌گیری، آماردانان، مهندسان داده، مهندسان یادگیری ماشین، دانشمندان کامپیوتر، تحلیلگران هوش کسب‌وکار، تحلیلگران کمی و غیره
• کسانی که می‌خواهند در پیشرفت‌های داده و هوش مصنوعی برای تصمیم‌گیری پیشرو باشند.