《因果性Causality》教程，哥本哈根大学Jonas Peters讲授

最近大多数机器学习都专注于纯预测性能，这是其实际成功背后的驱动力。因果关系的问题(理解预测为什么有效)在某种程度上被抛在了后面。这种模式非常重要，因为它可以帮助理解哪些基因导致了哪些疾病，哪些政策影响了哪些经济指标。

 

在因果关系领域，我们希望了解系统在干预(如基因敲除实验)下的反应。这些问题超出了统计上的依赖，因此不能用标准的回归或分类技术来回答。在本教程中，你将学习因果推理的有趣问题和该领域的最新发展。不需要事先了解因果关系。

 

第一部分: 我们介绍了结构性因果模型和正式的介入性分布。我们定义因果效应，并展示如何计算它们，如果因果结构是已知的。

 

第二部分: 我们提出了三种可以用来从数据中推断因果结构的想法:(1)发现数据中的(条件)独立性，(2)限制结构方程模型，(3)利用因果模型在不同环境中保持不变的事实。

 

第三部分:我们展示了因果概念如何在更经典的机器学习问题中使用。

 

第四部分: 机器学习的应用