Kursplan för Kausalitet och maskininlärning

Kursplan fastställd 2024-02-01 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnCausality and machine learning
  • KurskodDAT465
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPDSC
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeDatateknik, Informationsteknik, Matematik
  • InstitutionDATA- OCH INFORMATIONSTEKNIK
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

Kurstillfället är inställt. För frågor kontakta utbildningssekreteraren för
  • Undervisningsspråk Engelska
  • Anmälningskod 87112
  • Sökbar för utbytesstudenterJa

Poängfördelning

0121 Inlämningsuppgift 7,5 hp
Betygsskala: TH		7,5 hp

I program

Examinator

Behörighet

Grundläggande behörighet för avancerad nivå
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Särskild behörighet

Engelska 6
Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

Kursspecifika förkunskaper

En kurs i programmering i ett generellt programmeringsspråk (e.g. C/C++/Java/Python). En kurs vardera inom matematisk analys, linjär algebra och matematisk statistik. Vi rekommenderar starkt att studenter har gått en kurs i maskininlärning, exempelvis DAT340, TDA233 eller liknande, eller att en sådan kurs läses parallellt med denna kurs. Om du uppfyller förkunskapskraven men tror du kan behöva lite repetition, se till att vara bekväm med grundläggande definitioner och egenskaper av slumpvariabler, sannolikhetsfördelningar, väntevärden samt linjär algebra, t ex matris- och vektorprodukter och normer. 

Syfte

Syftet med kursen är att ge kunskap och förståelse om kausalitet och kausal inferens från ett matematiskt, statistiskt och beräkningsperspektiv. Den ska också ge förutsättningar för att lösa kausalitetsproblem i praktiska tillämpningar. 

Lärandemål (efter fullgjord kurs ska studenten kunna)

Efter godkänd kurs ska studenten kunna:

Kunskap och förståelse
  • Ge en överblick över olika ramverk för kausalitet och kausal inferens
  • Beskriva viktiga kausala problem och ge exempel på dess tillämpningar
  • Förklara hur kausal estimering skiljer sig från andra statistiska problem och inlärningsproblem
  • Redogöra för vanliga metoder för kausal estimering samt villkor under vilka de är träffsäkra

Färdigheter och förmåga
  • Identifiera olika typer av kausala problem i verkliga tillämpningar
  • Analysera kausala problem och uppskatta i vilken utsträckning de kan lösas under givna förutsättningar
  • Implementera och tillämpa metoder för kausal identifiering väl lämpade för specifika problem
Värderingsförmåga och förhållningssätt
  • Diskutera fördelar och nackdelar med olika ramverk för att beskriva kausalitet och göra kausal inferens
  • Reflektera över fundamentala begränsningar i möjligheten att identifiera kausalitet
  • Kritiskt analysera och diskutera forskning och tillämpningar av kausal inferens med avseende på bland annat justering för förväxlingsfaktorer

Innehåll

Kursen är uppdelad i flera moduler, en per vecka i kursen. Vi inleder med en introduktion till nödvändiga förkunskaper, så som probabilistiska grafiska modeller, och till strukturella definitioner av kausalitet. Dessa gör det möjligt för oss att studera villkor för att identifiera kausala relationer mellan slumpvariabler. I den andra halvan av kursen studerar vi estimering av kausala effekter och utvärdering av riktlinjer för beslutsfattning. I slutet av kursen läser och presenterar varje student en forskningsartikel på ett valfritt ämne inom kausalitet.
  • Probabilistiska grafiska modeller
  • Kausalitet
  • Strukturella kausala modeller (SCM)
  • Kausal inferens
  • Neyman-Rubins kausala modell (potential outcomes)
  • Observationsstudier
  • Utvärdering av riktlinjer för beslutsfattning
  • Medieringsanalys

Organisation

Moduler bestående av föreläsningar, uppföljningstillfällen och inlämningsuppgifter. Uppföljningstillfällen är interaktiva möten fokuserade på problemlösning och fördjupning. Kursen avslutas med studentpresentationer av forskningsartiklar.

Litteratur

Kursen är baserad på öppet material så som forskningsartiklar och gratis eböcker. Föreläsningar kommer att ges 1-2 gånger i veckan på campus eller online. Om du vill läsa en lärobok på ämnet, överväg någon av dessa:

- Pearl, Judea. Causality. Cambridge university press, 2009.
- Hernán MA, Robins JM (2020). Causal Inference: What If. Boca Raton: Chapman & Hall/CRC. https://www.hsph.harvard.edu/miguel-hernan/causal-inference-book/
- Morgan, Stephen L., and Christopher Winship. Counterfactuals and causal inference. Cambridge University Press, 2015. 2nd Edition.

Examination inklusive obligatoriska moment

Inlämningsuppgifter och presentationer av forskningsartiklar.

Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.