Edição de março: dados e causalidade

Em uma recente sessão de perguntas e respostas do Author Spotlight, Matteo Courthoud refletiu sobre a crescente importância de fazer previsões robustas, quer se trabalhe na indústria ou na academia:

Acho que no futuro a inferência causal se tornará cada vez mais central e veremos uma convergência entre a abordagem teórica das ciências sociais e a abordagem baseada em dados da ciência da computação.

Esperamos que você leia o restante de nossa animada conversa ; enquanto isso, a observação de Matteo nos inspirou a mergulhar em nossos arquivos em busca de outros artigos perspicazes sobre inferência causal e o tema da causalidade de forma mais ampla. A seleção resultante que estamos compartilhando nesta edição mensal vai do introdutório ao mais avançado e mostra algumas das diferentes abordagens que a ciência de dados e os profissionais de ML usam todos os dias em seu trabalho.

Esperamos que você goste de explorar essas leituras recomendadas! Como sempre, somos gratos por você ter feito do TDS parte de sua jornada de aprendizado; se você quiser apoiar nosso trabalho de outras maneiras (e obter acesso a todo o nosso arquivo ao longo do caminho), considere se tornar membros do Medium .

Editores TDS

Destaques dos Editores TDS

• A Ciência e a Arte da Causalidade (Parte 1) (janeiro de 2023, 11 minutos)A introdução acessível de Quentin Gallea, PhD aos fundamentos da inferência causal visa responder a duas questões-chave: por que entender a causalidade é tão importante e por que as relações causais
  são tão difícil de avaliar?
• Inferência causal usando controle sintético (novembro de 2022, 9 minutos)
  Em situações em que o teste A/B não é uma boa opção para estabelecer causalidade, técnicas quase experimentais podem ser a resposta. diksha tiwari propõe o controle sintético como uma dessas alternativas.
• Efeitos causais via regressão (janeiro de 2023, 8 minutos)
  Shawhin Talebi cobre a teoria e a prática da inferência causal há mais de um ano. Você pode voltar ao início da série ou pular direto para este post recente sobre técnicas de regressão e como podemos usá-las para estabelecer as relações entre as variáveis.
• Estudos de eventos para inferência causal: o que fazer e o que não fazer (dezembro de 2022, 17 minutos)
  Os estudos de eventos são outra abordagem útil em contextos quase experimentais; como Nazlı Alagöz aponta neste mergulho profundo bem explicado, há muitas armadilhas a serem evitadas para que não extraímos percepções erradas de nossos dados.
• 
  Teste de significância estatística de duas médias de amostras independentes com SciPy ( novembro de2022, 8 minutos)em testes de hipóteses e inclui todo o código Python necessário.
• Identificação: a chave para uma inferência causal confiável (fevereiro de 2023, 8 minutos)
  Como Murat Unal explica em uma nova postagem incisiva, “sem uma identificação bem definida, nenhuma modelagem ou estimativa sofisticada pode nos ajudar a estabelecer a causalidade a partir dos dados”. Leia a visão geral de Murat para entender melhor a identificação e sua importância.

Explore nossa seleção mais recente de perguntas e respostas e recomendações de leitura.

• “O principal motivador por trás da minha escrita sempre foi aprender ”
  Nossas perguntas e respostas com Matteo Courthoud , nas quais ele reflete sobre deixar a academia, seu interesse em inferência causal e o valor da escrita pública.
• Confrontar o viés nos dados é (ainda) difícil — e necessário
  Compartilhamos leituras essenciais sobre um tópico que continua a dominar as conversas nas comunidades de ML e IA.
• Como criar bons hábitos como cientista de dados
  Em um resumo recente, compilamos dicas e estratégias de profissionais de dados experientes para fluxos de trabalho mais simplificados e confiáveis.

Caso você tenha perdido, aqui estão algumas das postagens mais lidas do mês passado no TDS.

• Como funciona o ChatGPT: o modelo por trás do bot por Molly Ruby
• 5 sinais de que você se tornou um Pythonista avançado sem nem perceber por Bex T.
• Usando OpenAI e Python para aprimorar seu currículo: um guia passo a passo de Piero Paialunga
• Como construir um ELT com Python por Marie Truong
• Como Criar uma Rotina de Autoestudo Eficaz para Aprender Ciência de Dados com Sucesso por Madison Hunter
• Você ainda está usando o método do cotovelo? por Samuele Mazzanti
• Como encontrar a melhor distribuição teórica para seus dados por Erdogan Taskesen

Até o mês que vem.