causal decision making

효율적으로 환경과 인터렉션 하는 것을 연구

causal effect - causal discovery - causal decision making
서로를 돕는 역할

베이지안 네트워크

확률적 그래피컬 모델에 대한 기본적 지식

인과성에 대한 소개와 인과적 추론을 하기 위한 기본 개념

인과성이란? 하나의 어떤 무엇인가가 다른 무엇을 생성함에 있어 영향을 미치는 것

AI, 데이터사이언스와 인과성은 무슨 관계일까?

1. 강화학습 : 주어진 환경에서 어떤 행동을 취할지 학습
   환경에 변화를 줘서 원하는 상태로 변화시키는 인과관계로 해석 가능하다.

2. 기계학습 : 데이터의 상관성 학습

3. 데이터사이언스 : 풀고자하는 질문에 따라 다르겠지만 데이터를 수집하고 그것을 처리하고 분석하고, 이 결과를 어떻게 커뮤니케이트할 것인가하는 많은 부분에서 상관성과 인과성을 모두 복합적으로 고려한다.

인과계층

level 1. 관측 계층

이를 통해 시스템을 구성하고 있는 어떤 변수들의 상관성을 알 수 있다.
- 단순하게 비교하는 것들이 level 1의 목적

level 2. 실험 계층

주어져 있는 연구를 하고자하는 시스템을 중재라고 하는데 중재를 함으로써 나오는 결과에 관심

level 3. 반사실적 계층

관측값과 실험에 의한 값을 동시에 고려하는 계층.

simpson;s paradox

인과계층의 레벨1과 레벨2를 구별하는 예시
- 신장결석 환자 > 환자를 진찰, 처방 > 처방에 따른 결과 리포트 > 헬스케어 데이터

인과적인 분석을 하기 위해서는 주어진 데이터뿐만 아니라 각 변수들이 가지는 인과적 관계에 대한 자세한 이해가 필요하다는 것. 그리고 변수들 간의 인과적 관계가 다르게 도출될 수도 있다는 것

데이터를 분석하고자 할 때 고려해야하는 두 가지!

1. 주어진 데이터가 상관성을 지니고 있는지 아니면 인과성을 지니고 있는지
2. 우리가 알고자 하는 그 질문이 그냥 단순히 조건부 확률같은 상관성에 관한 것인지, 인과성에 관한 것인지

계층을 넘나드는 추론을 하는 방법

black box system

structural causal models

인과추론을 할 때에는 우리가 주어진 데이터가 있고 이 데이터는 상관성만을 지니고 있고 그리고 우리는 causal diagram이라는 것을 가정으로써 갖게 되는데 결국은 우리가 원하는 causal effect라는 것을 계산하기 위해서는 이 causal diagram에 내포되어 있는 모든 정보를 이용을 해서 인과 효과를 계산해야한다.