Название: Причинно-следственный анализ для смелых и честных
Автор: Матеус Факур, Артем Груздев
Издательство: ДМК Пресс
Год: 2025
Страниц: 596
Язык: русский
Формат: pdf
Размер: 30.8 MB

Причинно-следственный анализ – это метод статистического анализа данных, помогающий выявить, как одно событие влияет на другое. Прочитав данную книгу, читатели научатся находить причинно-следственные связи в данных, применять правильные методы анализа и оценивать достоверность полученных выводов. Издание предназначено специалистам по анализу данных, а также будет полезно бизнес-аналитикам и инженерам. В книге используется только свободное программное обеспечение, основанное на языке Python.

Мы можем реализовать массу всяких красивых вещей с помощью машинного обучения. Единственное требование состоит в том, чтобы мы формулировали наши задачи как задачи прогнозирования. Хотите перевести с английского на португальский? Тогда создайте модель машинного обучения, которая предсказывает предложения на португальском языке при наличии предложений на английском языке. Хотите распознавать лица? Тогда создайте модель машинного обучения, которая предсказывает наличие лица на картинке. Хотите построить беспилотный автомобиль? Тогда создайте модель машинного обучения, которая спрогнозирует поворот руля, давление на тормоз и газ, основываясь на изображениях и данных датчиков автомобиля. Однако машинное обучение не является панацеей. Оно может творить чудеса в условиях жестких ограничений и все же может с треском провалиться, если данные немного отклоняются от того, к чему привыкла модель. Машинное обучение, как известно, плохо справляется с такой проблемой, как обратная причинно-следственная связь.

Ваши родители, вероятно, неоднократно повторяли вам, что «ассоциация – это не причинно-следственная связь» («ассоциация – это не каузация»). Но на самом деле объяснить, почему это так, немного сложнее. Именно этому и посвящено введение в анализ причинно-следственных связей (также мы будем называть его причинно-следственным анализом, каузальным анализом). Что касается остальной части данной книги, то она будет посвящена выяснению того, как превратить ассоциацию в причинно-следственную связь (каузацию).

Поскольку эта книга посвящена тому, чтобы сделать анализ причинно-следственных связей широкодоступным, мы попытаемся сделать метод несмещенного/ортогонального
машинного обучения (Debiased/Orthogonal Machine Learning) интуитивно понятным. Однако что делает его таким особенным, чтобы посвящать ему отдельную главу, в отличие от других метамоделей? Особенность, которая привлекла мое внимание, – это хорошая обоснованность метода несмещенного/ортогонального машинного обучения. Методы, которые мы рассматривали до сих пор (T-модель, S-модель и X-модель), кажутся немного хакерскими. Мы можем дать интуитивное объяснение, почему они работают, но они не кажутся универсальными. В отличие от них, у несмещенного/ортогонального машинного обучения есть подходящая для применения универсальная структура, которая одновременно очень интуитивна и очень строга. Дополнительным бонусом является и то, что метод несмещенного/ортогонального машинного обучения работает как в случае непрерывного воздействия, так и в случае дискретного воздействия, чего нельзя сказать о T-модели и X-модели.

В период между 2015 и 2020 годом машинное обучение (ML) пережило огромный подъем. Его доказанная полезность в сферах компьютерного зрения и обработки естественного языка наряду с изначальной нехваткой профессионалов в этой области создали идеальные условия для индустрии обучения машинному обучению. Такие личности, как Эндрю Ын и Себастьян Трун, сумели научить мир машинному обучению по минимальным ценам. В то же время, с точки зрения программного обеспечения, стало значительно проще настроить сложную модель машинного обучения (как вы уже видели по весьма немногочисленным строкам программного кода, которые нам потребовались для реализации ML в предыдущей главе). Руководства по созданию интеллектуальных систем заполонили интернет. Стоимость входа в ML резко упала. Создание моделей машинного обучения стало настолько простым, что даже не нужно было уметь хорошо программировать (и я – живое подтверждение этого), знать математику, лежащую в основе алгоритмов. Фактически вы могли создавать чудеса с помощью 5 строк на Python.




ОТСУТСТВУЕТ ССЫЛКА/ НЕ РАБОЧАЯ ССЫЛКА ЕСТЬ РЕШЕНИЕ, ПИШИМ СЮДА!