استنباط العلاقات السببية

الموضوع

ندرس هنا كيفية استنباط العلاقات السببية الموجودة في مجالٍ ما عبر التعلُّم من البيانات و من الخبراء المُختصّين.

الفائدة المرجوة

فهم العلاقات السببية بين مجموعة من الأحداث، أو المُتغيّرات ومجموعة من النتائج أو المُخرجات يُساعم في دعم اِتّخاذ القرارت الأكثر فاعلية والأقرب إلى تحقيق الأهداف في مجالات مُتعددة منها التخطيط الاستراتيجي، العلوم السياسية، الإقتصاد، الطبّ،.. إلخ.

الوسائل

• الشبكات السببية البايزيّة: هي خوارزمية تُساعد في تعلّم العلاقات السببية من البيانات أو من مُدخلات الخبراء المُختصّين، أو منهما معًا. و تتميّز بشفافيتها.
• خوارزمية NOTEARS: هي خوارزمية تُساعد في تعلّم احتمالات وجود علاقات سببية بين العُقد المُكوّنة للشبكات السببية البايزية. نُشرت في الورقة البحثية [2] سنة 2019.
• تقنية الاستدلال السببي عبر تقنية قياس انحراف النواة. نُشرت في الورقة البحثية [3] سنة 2018. يُمكن استعمالُها لاستخراج الاتجاه السببي.
• مكتبة CausalNex ، بلغة بايثون. وصفها حسب موقعها [4]: “مكتبة بايثون تساعد علماء البيانات على استنتاج السببية بدلاً من ملاحظة الارتباط”. ونستخلص من موقعها، أيضا، أنّها تستخدم الشبكات البيّزيّة للجمع بين التعلم الآلي وخبرة المختصّين في مجال لبناء شبكيّة تُمكنّ من استعمال التفكير السببي في مجال أومشكل ما. يُمكنك استخدام CausalNex للكشف عن العلاقات الهيكلية في بياناتك، وتعلُّم التوزيعات المُعقَّدة ، ومُراقبة تأثير التدخُّلات المحتملة.

المصادر

1. Causal Inference: Making the Right Intervention
2. DAGs with NO TEARS: Continuous Optimization for Structure Learning
3. Causal Inference via Kernel Deviance Measures
4. Causalnex github
5. Causal Reasoning in ML with the help of CausalNex