【Udemy中英字幕】Causal AI: An Extensive Introduction

因果人工智能：详尽介绍

了解因果人工智能的基础组成部分

讲师：CausAI B.V.

双语IT资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！

用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。

您将学到什么

因果关系是什么
因果关系与关联关系
为什么 RCT 是因果推理的黄金标准
Pearlian 因果关系框架的主要组成部分：因果关系阶梯、因果图、Do-calculus、结构因果模型
机器学习与基于倾向评分的因果效应估计量
因果发现（算法）
如何使用观察数据估计平均因果效应（涵盖整个端到端过程）

探索相关主题

人工智能（AI）
其他 IT 和软件
信息技术与软件

要求

基本概率和统计知识

描述

在本课程中，您将学习因果人工智能（Causal AI）的基础组件。

越来越多的人开始意识到，以相关性为重点的模型不足以回答我们最重要的业务问题。业务决策就是要了解不同决策对结果的影响，并选择最佳方案。我们不能仅凭相关性来理解决策对结果的影响；我们必须了解因果关系。

不幸的是，数据和统计行业的从业人员在因果技术知识方面存在巨大差距。这意味着因果问题通常采用以相关性为中心的模型来解决，这会导致次优甚至糟糕的解决方案。

近年来，因果关系领域发生了重大变化，这主要归功于 Judea Pearl 的工作。Judea Pearl 创建了一个框架，该框架提供了清晰而通用的方法，我们可以使用这些方法来理解因果关系并使用观察数据估计因果效应。他的工作与人工智能的进步相结合，催生了因果人工智能领域。

Causal AI 就是使用 AI 模型来估计因果关系（使用观察数据）。通常，企业仅依靠随机对照试验 (RCT) 和 A/B 测试等实验方法来确定因果关系。Causal AI 现在通过提供使用观察数据估计因果关系的工具来补充这一点，这在商业环境中更常见。当实验不可行或不切实际时，这尤其有价值，使其成为希望使用现有数据进行决策的企业的强大工具。

本课程旨在帮助对数据和统计感兴趣的个人弥补因果技术方面的知识差距。您将学习因果人工智能的基础组件，并特别关注 Pearlian 框架。涵盖的关键概念包括因果阶梯、因果图、Do-calculus 和结构因果模型。此外，本课程将介绍各种估算技术，包括机器学习和基于倾向得分的估算器。最后，您将了解我们可以用来获取因果图的方法，这一过程称为因果发现。

在本课程结束时，您将掌握使用观察数据估计平均因果效应所需的所有工具。

我们相信，每个从事数据和统计领域工作的人都应该了解因果关系并掌握因果技术。通过尽早学习这一领域，您将在该领域脱颖而出。如果您对概率和统计学有基本的了解，并且有兴趣学习因果人工智能，那么这门课程非常适合您！