Edición de marzo: Datos y causalidad

En una reciente sesión de preguntas y respuestas de Author Spotlight, Matteo Courthoud reflexionó sobre la creciente importancia de hacer predicciones sólidas, ya sea que uno trabaje en la industria o en la academia:

Creo que en el futuro, la inferencia causal será cada vez más central y veremos una convergencia entre el enfoque teórico de las ciencias sociales y el enfoque basado en datos de la informática.

Esperamos que lea el resto de nuestra animada conversación ; Mientras tanto, la observación de Matteo nos inspiró a sumergirnos en nuestros archivos en busca de otros artículos perspicaces sobre la inferencia causal y el tema de la causalidad en general. La selección resultante que compartimos en esta edición mensual va desde la introducción hasta la más avanzada, y muestra algunos de los diferentes enfoques que los profesionales de la ciencia de datos y el aprendizaje automático utilizan todos los días en su trabajo.

¡Esperamos que disfrute explorando estas lecturas recomendadas! Como siempre, estamos agradecidos de que haya hecho de TDS parte de su viaje de aprendizaje; Si desea apoyar nuestro trabajo de otras maneras (y obtener acceso a todo nuestro archivo en el camino), considere convertirse en miembros de Medium .

Editores de TDS

Aspectos destacados de los editores de TDS

• La ciencia y el arte de la causalidad (Parte 1) (enero de 2023, 11 minutos)La introducción accesible de
  Quentin Gallea, PhD a los fundamentos de la inferencia causal tiene como objetivo responder dos preguntas clave: por qué es tan importante comprender la causalidad y por qué las relaciones causales son tan difícil de evaluar?
• Inferencia causal mediante control sintético (noviembre de 2022, 9 minutos)
  En situaciones en las que las pruebas A/B no son una buena opción para establecer la causalidad, las técnicas cuasiexperimentales pueden ser la respuesta. diksha tiwari propone el control sintético como una de esas alternativas.
• Causal Effects via Regression (Enero de 2023, 8 minutos)
  Shawhin Talebi ha estado cubriendo la teoría y la práctica de la inferencia causal durante más de un año. Puede volver al comienzo de la serie o ir directamente a esta publicación reciente sobre técnicas de regresión y cómo podemos usarlas para establecer las relaciones entre variables.
• Estudios de eventos para la inferencia causal: lo que se debe y lo que no se debe hacer (diciembre de 2022, 17 minutos)
  Los estudios de eventos son otro enfoque útil en contextos cuasiexperimentales; comoseñala Nazlı Alagöz en esta inmersión profunda bien explicada, hay muchas trampas que evitar para que no extraigamos información equivocada de nuestros datos.
• Prueba de significación estadística de dos medias de muestras independientes con SciPy (noviembre de 2022, 8 minutos)
  Para los lectores que desean arremangarse y comenzar a experimentar con algunos datos, el tutorial de Zolzaya Luvsandorj es un punto de partida ideal: proporciona una entrada práctica en pruebas de hipótesis e incluye todo el código de Python que necesitará.
• Identificación: la clave para la inferencia causal creíble (febrero de 2023, 8 minutos)
  Como explica Murat Unal en una nueva publicación incisiva, "sin una identificación bien definida, ningún modelo o estimación sofisticado puede ayudarnos a establecer la causalidad a partir de los datos". Lea la descripción general de Murat para obtener una mejor comprensión de la identificación y su importancia.

Explore nuestra última selección de preguntas y respuestas y recomendaciones de lectura.

• “El principal impulsor de mi escritura siempre ha sido el aprendizaje ”
  Nuestra sesión de preguntas y respuestas con Matteo Courthoud , en la que reflexiona sobre su salida de la academia, su interés en la inferencia causal y el valor de la escritura pública.
• Enfrentar el sesgo en los datos es (todavía) difícil y necesario
  Compartimos lecturas esenciales sobre un tema que continúa dominando las conversaciones dentro de las comunidades de ML e IA.
• Cómo desarrollar buenos hábitos como científico de datos
  En un resumen reciente, compilamos consejos y estrategias de profesionales de datos experimentados para flujos de trabajo más optimizados y confiables.

En caso de que se los haya perdido, estas son algunas de las publicaciones más leídas del mes pasado en TDS.

• Cómo funciona ChatGPT: el modelo detrás del bot por Molly Ruby
• 5 señales de que te has convertido en un pitonista avanzado sin siquiera darte cuenta por Bex T.
• Uso de OpenAI y Python para mejorar su currículum: una guía paso a paso de Piero Paialunga
• Cómo construir un ELT con Python por Marie Truong
• Cómo crear una rutina de autoaprendizaje efectiva para aprender ciencia de datos por sí mismo con éxito por Madison Hunter
• ¿Sigues usando el método del codo? por Samuel Mazzanti
• Cómo encontrar la mejor distribución teórica para sus datos por Erdogan Taskesen

Te veo el mes que viene.