Udemy – Causal AI: An Extensive Introduction 2024-8

در تاریخ: 1403/09/21 11:58:33

توضیحات

Causal AI: An Extensive Introduction، دوره آموزش هوش مصنوعی علّی: مقدمه ای جامع توسط آکادمی یودمی منتشر شده است. روز به روز افراد بیشتری متوجه می شوند که مدل های همبستگی محور برای پاسخ دادن به مهم ترین سوالات کسب وکار ما کافی نیستند. تصمیم گیری کسب وکار به معنای درک تاثیر تصمیمات مختلف بر نتایج و انتخاب بهترین گزینه است. ما نمی توانیم تاثیر تصمیمات بر نتایج را فقط با همبستگی درک کنیم؛ ما باید علت و معلول را درک کنیم. متاسفانه، شکاف عظیمی از دانش در تکنیک های علی در میان افرادی که در صنعت آمار و اطلاعات کار می کنند، وجود دارد. این بدان معنی است که مشکلات علی اغلب با مدل های همبستگی محور، که منجر به راه حل های زیر بهینه یا حتی ضعیف می شوند، نزدیک می شوند. در سال های اخیر، رشته کایزیته به طور قابل توجهی تکامل یافته است، به ویژه به دلیل کار مروارید یهودا. یهودا پرل چارچوبی را ایجاد کرده است که روش های روشن و کلی را که می توانیم برای درک علیت و تخمین اثرات علی با استفاده از داده های مشاهده ای استفاده کنیم، فراهم می کند.

ترکیب کار او با پیشرفت های هوش مصنوعی باعث پیشرفت در زمینه هوش مصنوعی شده است. هوش مصنوعی قیاسی در مورد استفاده از مدل های هوش مصنوعی برای تخمین اثرات علی (با استفاده از داده های مشاهده ای)است. به طور کلی، کسب و کارها تنها به روش های آزمایش مانند آزمایش های کنترل شده تصادفی (RCTs)و آزمایش های A / B برای تعیین اثرات علی تکیه می کنند. هوش مصنوعی قیاسی اکنون با ارائه ابزارهایی برای تخمین اثرات علی با استفاده از داده های مشاهده ای، که بیشتر در محیط های تجاری در دسترس است، به این موضوع می افزاید. این امر به ویژه زمانی ارزشمند است که آزمایش شدنی یا عملی نباشد و آن را به ابزاری قدرتمند برای کسب و کارهایی تبدیل کند که به دنبال استفاده از داده های موجود خود برای تصمیم گیری هستند.

آنچه خواهید آموخت

علت چیست
رابطه بین کانون و انجمن
چرا RCT ها استاندارد طلایی برای استنتاج قیاسی هستند
مولفه های اصلی چارچوب پیرلی برای قیاس: نردبان قیاس، نمودارهای قیاسی، حساب دو، مدل های قیاسی ساختاری
یادگیری ماشینی و تخمین های اثر تصادفی مبتنی بر امتیاز مثبت
کشف علت (الگوریتم ها)
چگونه میانگین اثرات احتیاطی را با استفاده از داده های مشاهده ای (پوشش کل فرآیند پایان به پایان)تخمین بزنیم؟

این دوره برای چه کسانی مناسب است

هر کسی که علاقه مند به یادگیری در مورد AI Causal است و دانش پایه ای از احتمالات و آمار دارد
به خصوص برای کسانی که در زمینه آمار و داده کار می کنند، مانند دانشمندان داده، تحلیلگران داده، دانشمندان تصمیم گیری، آماردانان، مهندسان داده، مهندسان یادگیری ماشین، دانشمندان کامپیوتر، تحلیلگران هوش تجاری، تحلیلگران کمی و غیره.
کسانی که می خواهند در خط مقدم پیشرفت های داده و هوش مصنوعی برای تصمیم گیری باشند