Édition de mars : Données et causalité

Dans un récent Author Spotlight Q&A, Matteo Courthoud a réfléchi à l'importance croissante de faire des prédictions solides, que l'on travaille dans l'industrie ou dans le milieu universitaire :

Je pense qu'à l'avenir, l'inférence causale deviendra de plus en plus centrale et nous verrons une convergence entre l'approche théorique des sciences sociales et l'approche axée sur les données de l'informatique.

Nous espérons que vous lirez la suite de notre conversation animée ; en attendant, l'observation de Matteo nous a inspirés à plonger dans nos archives à la recherche d'autres articles perspicaces sur l'inférence causale et le sujet de la causalité plus largement. La sélection résultante que nous partageons dans cette édition mensuelle va de l'introduction à la plus avancée, et présente certaines des différentes approches que les praticiens de la science des données et du ML utilisent au quotidien dans leur travail.

Nous espérons que vous apprécierez l'exploration de ces lectures recommandées ! Comme toujours, nous vous sommes reconnaissants d'avoir intégré TDS à votre parcours d'apprentissage ; si vous souhaitez soutenir notre travail d'une autre manière (et avoir accès à l'ensemble de nos archives en cours de route), veuillez envisager de devenir membres Medium .

Éditeurs TDS

Faits saillants des éditeurs TDS

• La science et l'art de la causalité (Partie 1) (janvier 2023, 11 minutes)
  L'introduction accessible de Quentin Gallea, PhD aux principes fondamentaux de l'inférence causale vise à répondre à deux questions clés : pourquoi la compréhension de la causalité est-elle si importante et pourquoi les relations causales sont-elles si importantes ? si difficile à évaluer ?
• Inférence causale à l'aide d'un contrôle synthétique (novembre 2022, 9 minutes)
  Dans les situations où les tests A/B ne sont pas une bonne option pour établir la causalité, des techniques quasi-expérimentales pourraient être la réponse. diksha tiwari propose le contrôle synthétique comme une telle alternative.
• Causal Effects via Regression (janvier 2023, 8 minutes)
  Shawhin Talebi couvre la théorie et la pratique de l'inférence causale depuis plus d'un an. Vous pouvez remonter jusqu'au début de la série ou passer directement à cet article récent sur les techniques de régression et comment nous pouvons les utiliser pour établir les relations entre les variables.
• Études d'événements pour l'inférence causale : les choses à faire et à ne pas faire (décembre 2022, 17 minutes)
  Les études d'événements sont une autre approche utile dans des contextes quasi expérimentaux ; comme lesouligne Nazlı Alagöz dans cette plongée profonde bien expliquée, il y a de nombreux pièges à éviter pour ne pas tirer de mauvaises idées de nos données.
• Test de signification statistique de deux moyennes d'échantillons indépendants avec SciPy (novembre 2022, 8 minutes)
  Pour les lecteurs désireux de retrousser leurs manches et de commencer à expérimenter certaines données,le tutoriel de Zolzaya Luvsandorj est un point de départ idéal : il fournit une porte d'entrée pratique dans les tests d'hypothèses et inclut tout le code Python dont vous aurez besoin.
• Identification : la clé d'une inférence causale crédible ( février 2023, 8 minutes
  ) Lisez l'aperçu de Murat pour mieux comprendre l'identification et son importance.

Découvrez notre dernière sélection de questions-réponses et de recommandations de lecture.

• "Le principal moteur de mon écriture a toujours été l'apprentissage "
  Notre Q&A avec Matteo Courthoud , dans lequel il réfléchit sur sa sortie du monde universitaire, son intérêt pour l'inférence causale et la valeur de l'écriture publique.
• Faire face aux biais dans les données est (toujours) difficile - et nécessaire
  Nous avons partagé des lectures essentielles sur un sujet qui continue de dominer les conversations au sein des communautés ML et AI.
• Comment développer de bonnes habitudes en tant que Data Scientist
  Dans un récent tour d'horizon, nous avons compilé des conseils et des stratégies de praticiens chevronnés des données pour des flux de travail plus rationalisés et plus fiables.

Au cas où vous les auriez manqués, voici quelques-uns des articles les plus lus du mois dernier sur TDS.

• Comment fonctionne ChatGPT : le modèle derrière le bot par Molly Ruby
• 5 signes que vous êtes devenu un pythoniste avancé sans même vous en rendre compte par Bex T.
• Utiliser OpenAI et Python pour améliorer votre CV : un guide étape par étape par Piero Paialunga
• Comment construire un ELT avec Python par Marie Truong
• Comment créer une routine d'auto-apprentissage efficace pour vous enseigner la science des données avec succès par Madison Hunter
• Utilisez-vous toujours la méthode du coude ? par Samuele Mazzanti
• Comment trouver la meilleure distribution théorique pour vos données par Erdogan Taskesen

On se voit le mois prochain.