Module 5. 인과추론

ㅇ 교수 : 서울대학교 이상학 교수

ㅇ 학습목표 

    본 모듈은 인과성에 대해 추론하고 경험적 데이터를 사용하여 인과 관계를 결정하는 방법을 익힘으로써 데이터를 생성한 프로세스에 대해 

    만들어야 하는 필수 가정과 이러한 가정이 합리적인지 평가하는 방법, 마지막으로 추정되는 양을 해석하는 방법에 대해 학습하고자 합니다. 

 

---

Part 1. 인과성에 대한 소개 및 인과적 추론을 위한 기본 개념

- causal discovery : 데이터로부터 인과효과와 인과관계를 계산

- 데이터는 상관성만 가지고 있는데, 우리가 알고자 하는 것은 인과효과이다.

- 이번 강의는 인과효과를 계산하기 위한 기본적 프레임워크, 인과효과를 계산하는 방법론, 인과적 관점으로 문제를 바라보는 방법에 대해 알 수 있다.

- 베이지안 네트워크에 대한 기본 개념이 있다고 가정하고, 강의가 진행됨 (그게 뭐지......)

- Causality : 인과성, 인과율

- 인과성을 공부해야 하는 이유 : 과학이란 원인과 결과를 분석한 것이라고 할 수 있다. 

- 기계학습은 데이터의 상관성 학습에 중점을 둔다.

- level 1,2,3이 있음 (인과추론 ,반사실적 추론 등)

- Simpson's Paradox : 가상의 무작위 실험을 통해 인과관계를 계산할 수 있음.

- 데이터 분석 시 두가지 고려 : 1. 주어진 데이터가 상관성을 지니고 있는지 인과성을 지니고 있는지 / 2. 우리가 알고자 하는 질문이 조건부 확률과 같은 상관성에 관한 것인지, 인과성에 관한 것인지 (기계학습 : 상관성에 거의 목적을 둠 / 인공지능-강화학습 : 인과성)

- SCM

- causal effect

 

Part 2. 인과추론 수행을 위한 기본 방법론 제시

- Causal effect 계산 방법

- 인과 추론 알고리즘

- Back-door Criterion = sound하다 (complete하지는 않다)

- 이를 해결하는 것이 Do-calculus

 

Part 3. 인과추론의 다양한 연구 방향 제시

- 여러 종류의 데이터를 활용하자

- SES

 

---

흠.... 인공지능이랑 사실 글케 관련 있는진 모르겟다 내가 강화학습을 안해서 그런가