נסקור נושאים בסיסיים ומתקדמים בהסקה סיבתית: אילו בעיות דורשות הסקה סיבתית,למה הסקה סיבתית קשה מחיזוי רגיל של SUPERVISED LEARNING, כיצד ניתן ללמוד קשרים סיבתיים מנתונים, נלמד את הבסיס הרעיוני של התחום לפי PEARL ו-RUBIN, כולל CAUSAL GRAPHS. נביא דוגמאות מרפואה, כלכלה ומדיניות ציבורית, מדיה חברתית, שיווק ומכירות, ובריאות הציבור. תוצאות למידה: בסיום הקורס הסטודנטים יהיו מסוגלים: 1. לזהות בעיות שדורשות שימוש בכלים של הסקה סיבתית 2. להסביר למה ובאילו תנאים כלים של למידת מכונה אינם מספיקים עבור הסקה סיבתית 3. לזהות את ההבדל בין ניסוי אקראי מבוקר, מחקר תצפיתי ללא משתנים מתערבים חבויים, ומחקר תצפיתי עם משתנים מתערבים חבויים 4. להגדיר תנאים מספיקים לביצוע של הסקה סיבתית תקפה הן בשפה של POTENTIAL OUTCOMES והן בשפה של גרפים סיבתיים 5. להשתמש בשיטות של COVARIATE ADJUSTMENT, MATCHING ו-PROPENSITY SCORE על מנת לשערך אפקטים סיבתיים מנתונים 6. לשרטט גרף סיבתי שמתאים ל-DATA GENERATING PROCESS נתון 7. לזהות תנאים בהם מתקיים ניסוי טבעי, בפרט מצבים בהם קיים INSTRUMENTAL VARIABLE

פקולטה: הנדסת תעשיה וניהול
|תואר ראשון |תארים מתקדמים

מקצועות קדם

97209 - למידה חישובית 2


מידע סמסטריאלי