Ivan Komarov: Mastering Causal - Causal Inference in ML Track 2020

Data Fest Online 2020 Mastering Causal По следам классической книги Mastering &Подводка и примеры будут из жизни нашего отдела. Причинно-следственные связи становятся важны, когда бизнес хочет понимать устойчивость признаков или как работает система. Естественно, хотелось бы четко выделить эффект от какого-то маркетингового или продуктового воздействия. Идеальная и единственная система без дополнительных предположений - это система тестирования. В иных случаях должно или повезти (естественный эксперимент) или нужно учитывать все возможные факторы. Вывод для практиков машинного обучения -- если вам задали задачу на причинно-следственную связь, на "посчитать эффект", думайте над дизайном А/Б эксперимента. Данные скорее всего (даже большие) вам не помогут. В презентации разберем почему работает А/Б тестирование, почему иногда лучше не заморачиваться, а иногда нужно, как многорукие бандиты позволяют ускорить получение результатов, как контекстные бандиты / upllift могут дать (автоматическую) модель реагирования, а не просто посчитать средний эффект. Ну и по классической книге &Metrics разберем, что еще применяют экономисты и насколько это полезно для практического машинного обучения. I want to introduce a great, popular, and classical book "Mastering &Examples and introduction of the presentation will be based on what we have ecountered in our work. Casuality is important when business wants to understand stability of features in a model, or want to underastand how a system...