Märzausgabe: Daten und Kausalität

In einer aktuellen Frage-und-Antwort-Runde zum Autoren-Spotlight reflektierte Matteo Courthoud über die wachsende Bedeutung belastbarer Vorhersagen, unabhängig davon, ob man in der Industrie oder im akademischen Bereich arbeitet:

Ich denke, in Zukunft wird der kausale Rückschluss immer zentraler werden und wir werden eine Konvergenz zwischen dem theoretischen Ansatz aus den Sozialwissenschaften und dem datengesteuerten Ansatz aus der Informatik sehen.

Wir hoffen, dass Sie den Rest unseres lebhaften Gesprächs lesen . In der Zwischenzeit hat uns Matteos Beobachtung dazu inspiriert, in unseren Archiven nach weiteren aufschlussreichen Artikeln über kausale Schlussfolgerungen und das Thema Kausalität im weiteren Sinne zu suchen. Die resultierende Auswahl, die wir in dieser Monatsausgabe teilen, reicht von der Einführung bis zu den fortgeschritteneren und zeigt einige der unterschiedlichen Ansätze, die Data Science- und ML-Praktiker täglich bei ihrer Arbeit verwenden.

Wir wünschen Ihnen viel Spaß beim Erkunden dieser empfohlenen Lektüre! Wie immer sind wir dankbar, dass Sie TDS zu einem Teil Ihrer Lernreise gemacht haben. Wenn Sie unsere Arbeit auf andere Weise unterstützen möchten (und dabei Zugriff auf unser gesamtes Archiv erhalten möchten), ziehen Sie bitte eine Mitgliedschaft bei Medium in Betracht .

TDS-Editoren

Highlights der TDS-Redaktion

• Die Wissenschaft und Kunst der Kausalität (Teil 1) (Januar 2023, 11 Minuten)
  Quentin Gallea, PhDs leicht verständliche Einführung in die Grundlagen der kausalen Folgerung zielt darauf ab, zwei Schlüsselfragen zu beantworten: Warum ist das Verständnis der Kausalität so wichtig und warum gibt es kausale Zusammenhänge? so schwer einzuschätzen?
• Kausaler Rückschluss mithilfe synthetischer Kontrolle (November 2022, 9 Minuten)
  In Situationen, in denen A/B-Tests keine gute Option zur Feststellung der Kausalität sind, könnten quasi-experimentelle Techniken die Antwort sein. Diksha Tiwari schlägt als eine solche Alternative die synthetische Kontrolle vor.
• Kausale Effekte durch Regression (Januar 2023, 8 Minuten)
  Shawhin Talebi befasst sich seit über einem Jahr mit der Theorie und Praxis der kausalen Schlussfolgerung. Sie können ganz zum Anfang der Serie zurückgehen oder direkt zu diesem aktuellen Beitrag über Regressionstechniken springen und wie wir sie verwenden können, um die Beziehungen zwischen Variablen herzustellen.
• Event Studies for Causal Inference: The Dos and Don'ts (Dezember 2022, 17 Minuten)
  Event Studies sind ein weiterer hilfreicher Ansatz in quasi-experimentellen Kontexten; Wie Nazlı Alagöz in diesem gut erklärten Deep Dive betont, gibt es viele Fallstricke, die es zu vermeiden gilt, damit wir aus unseren Daten keine falschen Erkenntnisse ziehen.
• Statistische Signifikanzprüfung zweier unabhängiger Stichprobenmittelwerte mit SciPy (November 2022, 8 Minuten)
  Für Leser, die gerne die Ärmel hochkrempeln und mit einigen Daten experimentieren möchten, ist das Tutorial von Zolzaya Luvsandorj ein idealer Ausgangspunkt: Es bietet einen praktischen Einstieg in Hypothesentests und enthält den gesamten Python-Code, den Sie benötigen.
• Identifizierung: Der Schlüssel zu glaubwürdiger Kausalinferenz (Februar 2023, 8 Minuten)
  Wie Murat Unal in einem prägnanten neuen Beitrag erklärt: „Ohne eine klar definierte Identifizierung kann uns keine ausgefeilte Modellierung oder Schätzung dabei helfen, Kausalität aus Daten festzustellen.“ Lesen Sie Murats Übersicht, um die Identifikation und ihre Bedeutung besser zu verstehen.

Entdecken Sie unsere neueste Auswahl an Fragen und Antworten und Leseempfehlungen.

• „Der wichtigste Antrieb für mein Schreiben war schon immer das Lernen “
  Unser Q&A mit Matteo Courthoud , in dem er über seinen Abschied vom akademischen Bereich, sein Interesse an kausalen Schlussfolgerungen und den Wert des öffentlichen Schreibens nachdenkt.
• Die Bekämpfung von Datenverzerrungen ist (immer noch) schwierig – und notwendig.
  Wir haben wichtige Lesungen zu einem Thema geteilt, das weiterhin die Diskussionen in ML- und KI-Communitys dominiert.
• Wie man als Datenwissenschaftler gute Gewohnheiten entwickelt
  In einer aktuellen Zusammenfassung haben wir Tipps und Strategien von erfahrenen Datenexperten für effizientere und zuverlässigere Arbeitsabläufe zusammengestellt.

Falls Sie sie verpasst haben, finden Sie hier einige der meistgelesenen Beiträge des letzten Monats auf TDS.

• So funktioniert ChatGPT: Das Modell hinter dem Bot von Molly Ruby
• 5 Anzeichen dafür, dass Sie ein fortgeschrittener Pythonist geworden sind, ohne es überhaupt zu merken von Bex T.
• Mit OpenAI und Python Ihren Lebenslauf verbessern: Eine Schritt-für-Schritt-Anleitung von Piero Paialunga
• Wie man ein ELT mit Python erstellt von Marie Truong
• So erstellen Sie eine effektive Selbstlernroutine, um sich Data Science erfolgreich beizubringen von Madison Hunter
• Verwenden Sie immer noch die Ellenbogenmethode? von Samuele Mazzanti
• So finden Sie die beste theoretische Verteilung für Ihre Daten von Erdogan Taskesen

Ich sehe dich nächsten Monat.