返回首页
2021CCF因果科学夏令营 | 数图回看
导读：二十年前，图灵奖获得者Judea Pearl写《因果论》（2000年）一书时，说了一句当时相当大胆，但现在看起来很低调的话：“因果关系已经经历了一个重大的转变，从一个神秘模糊的概念转变为一个具有明确语义和逻辑基础的数学定义。简单地说，因果关系已经数学化了。”目前，我国在研究生和本科生教学中也开始引入相关的教材，其中最具有代表性的当属Pearl等发展起来的因果分析理论和技术。
讲者：杨矫云 合肥工业大学副教授
简介：学习内容：链结构、分叉结构和对撞结构的基本性质、d-分离准则与应用，干预的图形化操作、后门准则。学习目标：掌握三种基本图结构的统计性质，熟悉d-分离概念，掌握干预这一因果分析的基本操作、掌握计算因果效应的后门准则。
讲者：陆超超 剑桥大学机器学习组 博士研究生
简介：机器学习的核心任务是从数据中自动地发现相关性信息以便预测未来。目前，大部分机器学习算法都是建立在统计相关性的基础上，这样极大地限制了机器学习的适用范围。因此，需要更进一步考虑统计相关性背后更本质的因果结构。主要讨论因果推断在机器学习各个方面的前沿进展，包括半监督学习、无监督学习、强化学习、迁移学习、元学习、公平学习等，以及它们在各个实际场景中的具体应用。
讲者：李奉治 中国科学院计算技术研究所 博士研究生
简介：本次分享我们会从最基础的结构因果模型的表示开始，逐步构建基础的图运算函数。之后我们会充分利用前三日各位老师讲解的因果基础知识，实现d-分离判断等工具，并最终实现后门准则和前门准则的判断。同时，我们还会利用开源包ananke，来尝试进行do-演算的相关操作。
讲者：龚鹤扬 中国科学技术大学 博士研究生
简介：介绍什么是THE(heterogeneous treatment effect) 的基础知识和相关软件包。以 booking.com 的促销活动为商业案例介绍如何进行uplift modeling。并分享在此方向近年来一个完美融合统计推断，机器学习和因果推理的理论研究成果——Generalized Random Forest. 广义随机森林(GRF)理论讲解。
以上内容收录于数图中，“阅读原文”立即进入CCF数字图书馆，更多惊喜等你发现！
京公网安备 11010802032778号
