یادگیری ماشینی و پایه های هوش مصنوعی: استنباط و مدل سازی عملی

این دوره با مربی کیت مک کورمیک مقدمه ای برای برخی از تکنیک های پیشرفته در استنتاج علی و مدل سازی علیت ارائه می دهد. این بنا بر پایه ای در دوره کیت ، یادگیری ماشین و پایه های هوش مصنوعی: پیش بینی ، علیت و استنباط آماری بنا شده است. کیت این دوره را بر سه موضوع اصلی متمرکز می کند: قدرت آزمایش ها (و واقعیتی که همیشه به عنوان گزینه در دسترس نیستند). فلسفه و رویکرد آماری بیزی و وقتی انتخاب خوبی است ؛ و مقدمه ای برای مدل سازی علی با تکنیک هایی مانند مدل سازی معادلات ساختاری و شبکه های بیزی. در این دوره به کیت بپیوندید تا در مورد این تکنیک های پیشرفته و آنچه آنها را قدرتمند و جالب می کند ، یاد بگیرید.

عنوان اصلی : Machine Learning and AI Foundations: Causal Inference and Modeling

سرفصل های دوره :

مقدمه:
فکر کردن در مورد علیت
آنچه باید بدانید
1. طراحی آزمایشی و کنترل آماری:
بازپرس ، هیئت منصفه و قاضی
فیشر و آزمایشات
جان اسنو و آزمایشات طبیعی
مطالعات دو کور
متغیرهای کنترل (ANCOVA)
مروارید یهودا: مشکلات متغیرهای کنترل
متغیرهای اعتدال ، میانجیگری و کمین
پارادوکس سیمپسون
چالش: اعتدال ، میانجیگری یا متغیر سوم
راه حل: اعتدال ، میانجیگری یا متغیر سوم
2. احتمال مشروط و قضیه بیز:
Turing ، Enigma و Captcha
enigma و عدم اطمینان
ایجاد شهود برای بیز با وردل
احتمال کلمه و مشروط
ورد ، ممنوعیت و بیت
قضیه Wordle and Bayes
چالش: احتمال مشروط و قضیه بیز
راه حل: احتمال مشروط و قضیه بیز
3. پیش بینی و اثبات با آمار بیزی:
متضاد آمار مکرر و آمار بیزی
آزمون T Bayesian با JASP
Google بهینه سازی می کند
Bayes and Nare Events
چالش: JASP
راه حل: JASP
4. مدل سازی علی با مدل سازی معادلات ساختاری (SEM):
Sewell Wright
معرفی تجزیه و تحلیل مسیر و SEM
SEM مثال: قصد
اسطوره های مربوط به SEM
متغیرهای نهفته در SEM
یافتن جهت علیت با SEM (PSAT)
5. مدل سازی علی با شبکه های بیزی:
یهودا مروارید و انقلاب علی
بارگیری Bayesialab و منابع
معرفی Bayesialab: رنگ مو و چشم
مقدمه ای برای مدل سازی علی با شبکه های بیزی
شبکه های بیزی: مطالعه موردی قو سیاه
نتیجه گیری:
بیشتر علیت