Kausalität statt Korrelation: Causal Inference mit KI für ML-Praktiker

Kausalität statt Korrelation: Causal Inference mit KI für ML-Praktiker — Uplift Modeling.

MODUL 01: WARUM KAUSALITÄT?

• Korrelation ist nicht Kausalität
• Simpson-Paradoxon und Störvariablen
• Wann Vorhersage nicht genügt
• Live-Demo: eine trügerische Korrelation entlarvt
• Ihre Ausgangslage: Wo brauchen Sie echte Wirkung?

MODUL 02: KAUSALE MODELLE

• Kausale Graphen (DAGs)
• Confounding, Colliding und Backdoor-Kriterium
• Übung: Sie erstellen ein kausales Diagramm
• Der Aha-Moment: der versteckte Störfaktor
• Annahmen sichtbar machen

MODUL 03: EFFEKTE SCHÄTZEN

• Randomisierte Experimente als Goldstandard
• Beobachtungsdaten: Matching, IV, DiD
• Uplift Modeling
• Übung: Sie schätzen einen Effekt aus Daten
• Wirkung statt Zufall messen

MODUL 04: ANWENDUNG

• Kausalität in Business und Policy
• Fallstricke und Annahmen prüfen
• Fallstudie: die Wirkung einer Maßnahme schätzen
• Belastbare Entscheidungen treffen
• Der Aha-Moment: endlich das 'Warum' beantworten

MODUL 05: UMSETZUNG

• Werkzeuge für Causal Inference
• Ergebnisse verständlich kommunizieren
• Grenzen ehrlich benennen
• Vom Konzept zur Praxis
• Ihr Fahrplan zur kausalen Analyse