Oreilly – Causal Inference for Data Science 2025-1

توضیحات

دوره Causal Inference for Data Science. این دوره به شرکت‌کنندگان می‌آموزد که چگونه با ترکیب روش‌های آماری و یادگیری ماشین، روابط سببی بین رویدادها را شناسایی و اثرات آنها را اندازه‌گیری کنند تا بتوانند نتایج را بهبود بخشند. در دنیای علم داده، درک دلیل رویدادها کلیدی است، زیرا به جای پیش‌بینی صرف، امکان مداخله هوشمندانه را فراهم می‌کند. زمانی که انجام آزمایش‌های کنترل‌شده مانند آزمون A/B دشوار یا پرهزینه است، این دوره تکنیک‌های جایگزین را آموزش می‌دهد تا با استفاده از داده‌های موجود، روابط سببی را کشف کنید. مباحث شامل مدل‌سازی واقعیت با گراف‌های سببی، تخمین اثرات با روش‌های آماری، انتخاب مناسب‌ترین ابزار (A/B تست، یادگیری ماشین یا استنتاج سببی)، و ارزیابی فرضیات و محدودیت‌های تحلیل است. همچنین، شما یاد خواهید گرفت که چگونه داده‌های تاریخی را تحلیل کنید، رفتار مشتریان را درک نمایید و با شناسایی عوامل کلیدی، تصمیم‌گیری‌های مؤثر را تسهیل کنید. این دوره ابزارهای لازم برای ساخت مدل‌هایی که نه تنها الگوها را پیش‌بینی می‌کنند، بلکه دلایل زیربنایی را آشکار می‌سازند، در اختیار شما قرار می‌دهد.

آنچه فرا خواهید گرفت

• مدل‌سازی واقعیت با استفاده از گراف‌های علّی.
• تخمین اثرات علّی با استفاده از تکنیک‌های آماری و یادگیری ماشین.
• تعیین زمان مناسب برای استفاده از آزمون‌های A/B، استنتاج علّی و یادگیری ماشین.
• توضیح و ارزیابی اهداف، فرضیات، خطرات و محدودیت‌ها.
• تعیین اینکه آیا متغیرهای کافی برای تحلیل خود دارید یا خیر.
• چگونگی ارزیابی عملکرد تبلیغات، انتخاب روش‌های درمانی مؤثر، ارائه قیمت‌گذاری مؤثر محصول، و موارد دیگر.

این دوره مناسب افرادیست که

• دانشمندان داده.
• مهندسان یادگیری ماشین.
• آمارگیران.

مشخصات دوره Causal Inference for Data Science

• ناشر: Oreilly
• مدرس: Aleix Ruiz de Villa
• سطح آموزش: مبتدی تا پیشرفته
• مدت زمان آموزش: 12 ساعت و 41 دقیقه

سرفصل های دوره

• Part 1. Inference and the role of Confounders
• Chapter 1. Introducing causality
• Chapter 2. First steps: Working with confounders
• Chapter 3. Applying causal inference
• Chapter 4. How machine learning and causal inference can help each other
• Part 2. The adjustment formula in practice
• Chapter 5. Finding comparable cases with propensity scores
• Chapter 6. Direct and indirect effects with linear models
• Chapter 7. Dealing with complex graphs
• Chapter 8. Advanced tools with the DoubleML library
• Part 3. Other strategies beyond the adjustment formula
• Chapter 9. Instrumental variables
• Chapter 10. Potential outcomes framework
• Chapter 11. The effect of a time-related event

تصاویر دوره

نمونه فیلم دوره

لینک دانلود

دانلود بخش 1 – 1 گیگابایت

دانلود بخش 2 – 723 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

1.7 گیگابایت