CAUSAL MACHINE LEARNING – welche Algorithmen eignen sich dafür?

The Erium Podcast – Data Science & Machine Learning

内容由Erium提供。所有播客内容（包括剧集、图形和播客描述）均由 Erium 或其播客平台合作伙伴直接上传和提供。如果您认为有人在未经您许可的情况下使用您的受版权保护的作品，您可以按照此处概述的流程进行操作https://zh.player.fm/legal。

3y ago 39:15

MP3•单集首页

Fetch error

Hmmm there seems to be a problem fetching this series right now. Last successful fetch was on November 21, 2023 14:38 (6M ago)

What now? This series will be checked again in the next hour. If you believe it should be working, please verify the publisher's feed link below is valid and includes actual episode links. You can contact support to request the feed be immediately fetched.

Welche Algorithmen eignen sich fürs Causal Machine Learning und was haben diese gemeinsam? Und muss ich diese Algorithmen alle selbst implementieren oder gibt es bereits Packages die ich direkt nutzen kann? In der neusten Folge von „The Erium Podcast“ diskutieren Maksim und Theo Alternativen zu Bayes’schen Netzen und stellen euch die Vor- und Nachteile verschiedener existierender Causal ML Lösungen vor. Und über die irregeleitete Statistik hinaus haben wir eine neue Rubrik für euch auf Lager.

Halerium

Structural Equation Modeling

Machine Learning Algorithmus der Woche: Self-Organizing Map (SOM)

DoWhy
NumPyro und dessen Do-Operator
CausalML
Causallib

Du möchtest dich unbedingt zu diesem Thema mit weiteren Experten austauschen? Dann registriere dich jetzt bei unserer Data Science Meetup Gruppe: Link zur Registrierung

Der Beitrag CAUSAL MACHINE LEARNING – welche Algorithmen eignen sich dafür? erschien zuerst auf The Erium Podcast - Data Science & Machine Learning.

96集单集

#Technologie #Business #Erium #Wissenschaft #Machine Learning #Mathematik #Entrepreneur