最近大多数机器学习都专注于纯预测性能，这是其实际成功背后的驱动力。因果关系的问题(理解预测为什么有效)在某种程度上被抛在了后面。这种模式非常重要，因为它可以帮助理解哪些基因导致了哪些疾病，哪些政策影响了哪些经济指标。

在因果关系领域，我们希望了解系统在干预(如基因敲除实验)下的反应。这些问题超出了统计上的依赖，因此不能用标准的回归或分类技术来回答。在本教程中，你将学习因果推理的有趣问题和该领域的最新发展。不需要事先了解因果关系。

第一部分: 我们介绍了结构性因果模型和正式的介入性分布。我们定义因果效应，并展示如何计算它们，如果因果结构是已知的。

第二部分: 我们提出了三种可以用来从数据中推断因果结构的想法:(1)发现数据中的(条件)独立性，(2)限制结构方程模型，(3)利用因果模型在不同环境中保持不变的事实。

第三部分:我们展示了因果概念如何在更经典的机器学习问题中使用。

第四部分: 机器学习的应用

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“C251” 就可以获取《253页PPT！《因果性Causality》教程，哥本哈根大学Jonas Peters讲授》专知下载链接

                       

专知，专业可信的人工智能知识分发 ，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取100000+AI(AI与军事、医药、公安等)主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取100000+AI主题知识资料