Séance de cours

Inférence causale : Structures de graphes d'apprentissage

Dans cours
DEMO: incididunt laboris
Ea laboris nostrud adipisicing non nisi occaecat ad adipisicing minim do ad elit in. Amet occaecat sunt mollit enim laboris ipsum est consectetur cupidatat consectetur. Laboris aliqua exercitation amet anim adipisicing occaecat quis qui ut irure. Nostrud amet labore quis amet aliqua qui officia adipisicing excepteur officia excepteur voluptate. Mollit enim esse voluptate do non velit ex velit fugiat consectetur excepteur tempor. Ad reprehenderit adipisicing anim consequat excepteur ex incididunt. Sunt quis dolore minim nostrud ea dolor.
Connectez-vous pour voir cette section
Description

Cette séance de cours couvre le sujet de l'inférence causale, en se concentrant sur l'apprentissage des structures graphiques pour effectuer un raisonnement causal. L'instructeur explique l'algorithme SGS, qui consiste à apprendre le squelette et l'orientation d'un graphe acyclique dirigé (DAG). La séance de cours discute des hypothèses, telles que l'absence de variables latentes, et détaille le processus en deux phases de l'apprentissage du squelette et de l'orientation des bords. Différents tests sont présentés, y compris des tests de dépendance conditionnelle et d'indépendance, pour éliminer les bords et orienter correctement le graphique. L'objectif est d'inférer des relations causales à partir de données d'observation, avec des exemples et des applications pratiques.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Séances de cours associées (46)
Contrefaits: SEM et D-Separation
Explore les contre-factuals dans les SEM et D-Separation dans les modèles graphiques.
Transformations linéaires : matrices et noyaux
Couvre les transformations linéaires, les matrices, les noyaux et les propriétés des matrices inversible.
Réseaux neuraux graphiques: monde interconnecté
Explore l'apprentissage à partir de données interconnectées avec des graphiques, couvrant les objectifs de recherche modernes de ML, les méthodes pionnières, les applications interdisciplinaires, et la démocratisation du graphique ML.
Apprendre du monde interconnecté avec les graphiques
Explore l'apprentissage de données interconnectées à l'aide de graphiques, couvrant les défis, la conception du GNN, les paysages de recherche et la démocratisation du graphique ML.
Modèles graphiques : Représentation des distributions probabilistes
Couvre les modèles graphiques pour les distributions probabilistes à l'aide de graphiques, de nœuds et de bords.
Afficher plus

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.