Sök Stäng
Kursplan

Introduktion till kausal slutledning, 3 hp

Introduction to Causal Inference, 3 credits

Kurskod: DT8061

Akademin för informationsteknologi

Nivå: Avancerad nivå

Välj kursplan

Version
2025-01-20 - Tills vidare

Fastställd av: Forsknings- och utbildningsnämnden, 2024-09-18 och gäller studenter antagna vårterminen 2025.

Huvudområde med fördjupning

Datateknik, Avancerad nivå, har endast kurs/er på grundnivå som förkunskapskrav. (A1N)

Behörighetskrav

Teknologie kandidatexamen inklusive ett självständigt arbete 15 hp eller Högskoleingenjörsexamen inklusive ett självständigt arbete 15 hp. 5 hp maskininlärning samt 3 hp statistik. Engelska 6. Undantag ges för kravet på svenska.

Kursens inplacering i utbildningssystemet

Kursen ges som fristående kurs.

Mål

Denna kurs syftar till att diskutera hur man kan extrahera orsakssamband från empiriska data. Den här kursen diskuterar också några exempel som visar hur man använder kausal slutledning i maskininlärningssammanhang.


Efter avslutad kurs ska studenten kunna:


Kunskap och förståelse

  • lära sig utantill terminologin kring kausal slutledning
  • beskriva skillnaden mellan orsakssamband och korrelation
  • tillämpa befintliga metoder för att beräkna förväntade utfall eller kausala grafer



Färdighet och förmåga

  • formulera nyckelidéer och antaganden om kausala slutledningsmetoder
  • implementera kausala slutledningsmetoder för verkliga problem
  • använda standardverktyg och bibliotek för kausal slutledning



Värderingsförmåga och förhållningssätt

  • avgöra vilka fördelar kausala slutledningsmetoder kan ge till maskininlärningsområdet
  • reflektera över när kausala slutledningsmetoder ska tillämpas och vilka

Innehåll

Kursen innehåller definitionerna av orsak och verkan, randomiserade experiment, do-calculus samt grafiska modeller. Kursens primära innehåll besvarar följande frågor:

  • Varför kausal slutledning? Hur kan kausal slutledning förbättra beslutsfattandet?
  • Vad skulle det potentiella resultatet bli givet ett visst beslut?
  • Hur representeras olika orsakssamband när det gäller vad som orsakar vad?
  • Hur kan maskininlärningsmetoder utnyttja kausala inferenskoncept?

Undervisningsspråk

Undervisningen bedrivs på engelska.

Undervisning

Varje föreläsning levereras genom ett videokonferensverktyg via högskolans lärplattform, och följt av en praktisk labbuppgift i Python, som tillhandahålls som en Jupyter-anteckningsbok, som gör det möjligt för studenterna att gräva djupare i och använda begreppen som presenteras i föreläsningen.


Undervisningen bedrivs på engelska och online.

Betygsskala

Tvågradig skala (UG): Underkänd (U), Godkänd (G)

Examinationsformer

Examinationen kommer att bestå av genomförda laborationer och projekt. Projektet genomförs individuellt och examineras muntligt.

2301: Laboration, 2 hp
Tvågradig skala (UG): Underkänd (U), Godkänd (G)

2302: Projekt, 1 hp
Tvågradig skala (UG): Underkänd (U), Godkänd (G)

Undantag från angiven examinationsform

Om särskilda skäl finns får examinator göra undantag från angiven examinationsform och medge att en student examineras på annat sätt. Särskilda skäl kan till exempel vara beslut om riktat pedagogiskt stöd.

Kursvärdering

I kursen ingår kursvärdering. Denna är vägledande för utveckling och planering av kursen. Kursvärderingen dokumenteras och redovisas för studenterna.

Kurslitteratur och övriga läromedel

Välj litteraturlista
2025-01-20 – Tills vidare

Litteraturlista 2025-01-20Tills vidare

Brady Neal. Introduction to Causal Inference (ICI) from a Machine Learning Perspective. https://www.bradyneal.com/Introduction_to_Causal_Inference-Dec17_2020-Neal.pdf.


Jonas Peters, Dominik Janzing, and Bernhard Schölkopf. Elements of Causal Inference: Foundations and Learning Algorithms. The MIT Press Cambridge, 2017


Judea Pearl. An Introduction to Causal Inference. Defense Technical Information Center, 2009