Cause Effect Pairs in Machine Learning

این کتاب پیشرفت های اساسی در حوزه یادگیری ساختار علی را ارائه می دهد. مشکل تشخیص علت از معلول ("آیا ارتفاع باعث تغییر در فشار اتمسفر می شود یا برعکس؟") در اینجا به عنوان یک مسئله طبقه بندی باینری مطرح می شود که باید توسط الگوریتم های یادگیری ماشین حل شود. بر اساس نتایج چالش جفت علت و معلول ChaLearn، این کتاب نشان می‌دهد که توزیع مشترک دو متغیر می‌تواند توسط الگوریتم‌های یادگیری ماشین بررسی شود تا وجود احتمالی یک "مکانیسم علی" را آشکار کند. این احساس که مقادیر یک متغیر ممکن است از مقادیر متغیر دیگر تولید شده باشد.
این کتاب هم مطالب آموزشی در مورد جدیدترین جفت‌های علت و معلولی ارائه می‌کند و هم خواننده را با مطالب پیشرفته‌تری همراه با مجموعه‌ای از مقالات انتخابی آشنا می‌کند. مطالب تکمیلی شامل فیلم‌ها، اسلایدها و کدهایی است که می‌توانید در وب‌سایت کارگاه پیدا کنید.

کشف ​​روابط علی از داده‌های مشاهده‌ای با افزایش مقدار داده‌های موجود، به عنوان ابزاری برای تشخیص، اهمیت فزاینده‌ای در علم داده پیدا می‌کند. محرک های بالقوه در اپیدمیولوژی، علوم اجتماعی، اقتصاد، زیست شناسی، پزشکی و سایر علوم.

This book presents ground-breaking advances in the domain of causal structure learning. The problem of distinguishing cause from effect (“Does altitude cause a change in atmospheric pressure, or vice versa?”) is here cast as a binary classification problem, to be tackled by machine learning algorithms. Based on the results of the ChaLearn Cause-Effect Pairs Challenge, this book reveals that the joint distribution of two variables can be scrutinized by machine learning algorithms to reveal the possible existence of a “causal mechanism”, in the sense that the values of one variable may have been generated from the values of the other.
This book provides both tutorial material on the state-of-the-art on cause-effect pairs and exposes the reader to more advanced material, with a collection of selected papers. Supplemental material includes videos, slides, and code which can be found on the workshop website.

Discovering causal relationships from observational data will become increasingly important in data science with the increasing amount of available data, as a means of detecting potential triggers in epidemiology, social sciences, economy, biology, medicine, and other sciences.