Einführung in die Kausale Inferenz und Kausales Maschinelles Lernen
Verfahren des Maschinellen Lernens finden derzeit hauptsächlich Anwendung in Vorhersageproblemen. Häufig beinhalten ML-Projekte allerdings kausale Fragestellungen: Weshalb kündigt ein Kunde? Welchen Effekt hat eine Preiserhöhung auf den Umsatz?
In den vergangenen Jahren wurden moderne Ansätze für Kausales Maschinelles Lernen entwickelt, mit denen sich diese Fragestellungen beantworten lassen.
In diesem Vortrag wird eine allgemeine Einführung in die Kausale Inferenz und Kausales Maschinelles Lernen gegeben.
Es wird diskutiert, weshalb ML-Vorhersageverfahren nicht zur Beantwortung kausaler Fragestellungen geeignet sind und inwiefern die Schätzmethoden zur kausalen Analyse angepasst werden können. Ein Schwerpunkt liegt auf dem Double-Machine-Learning-Ansatz von Chernozhukov et al. (2018) und dessen Implementierung DoubleML für Python und R.
Vorkenntnisse
- Allgemeines Interesse bzw. Grundwissen in den Bereichen: ML/KI , Kausalität, ML-based Decision Making.
- Anwendungsspezifisches Wissen/Interesse in den Bereichen: Evaluation von Programmen/(Marketing) Maßnahmen, Optimal/Dynamic Pricing, Customer Churn Modeling, Uplift Modeling, Ressource Allocation, Financial Planning
Lernziele
- Steigerung der Aufmerksamkeit und des Interesses für Kausales Maschinelles Lernen
- Stärkung des Verständnis von Kausalität in betrieblichen Entscheidungen
- Föderung des Austauschs mit Teilnehmenenden aus der technischen und betriebswirtschaftlichen Praxis (ML Engineers, fachseitige Entscheidungsträger)