SDS 607: Inferring Causality

Chia sẻ

Manage episode 340638364 series 1278026
Thông tin tác giả Super Data Science, Jon Krohn, Guests on Machine Learning, A.I., and Data-Career Success được phát hiện bởi Player FM và cộng đồng của chúng tôi - bản quyền thuộc sở hữu của nhà sản xuất (publisher), không thuộc về Player FM, và audio được phát trực tiếp từ máy chủ của họ. Bạn chỉ cần nhấn nút Theo dõi (Subscribe) để nhận thông tin cập nhật từ Player FM, hoặc dán URL feed vào các ứng dụng podcast khác.
Dr. Jennifer Hill, Professor of Applied Statistics at New York University, joins Jon this week for a discussion that covers causality, correlation, and inference in data science. This episode is brought to you by Pachyderm, the leader in data versioning and MLOps pipelines and by Zencastr (, the easiest way to make high-quality podcasts. In this episode you will learn: • How causality is central to all applications of data science [4:32] • How correlation does not imply causation [11:12] • What is counterfactual and how to design research to infer causality from the results confidently [21:18] • Jennifer’s favorite Bayesian and ML tools for making causal inferences within code [29:14] • Jennifer’s new graphical user interface for making causal inferences without the need to write code [38:41] • Tips on learning more about causal inference [43:27] • Why multilevel models are useful [49:21] Additional materials:

671 tập