Skip to content

JoKeyser/Einstiegskurs-Kausale-Inferenz

 
 

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

Einführungskurs Kausale Inferenz

Beschreibung

Dieses Projekt enthält Materialien für den KI-Campus-Kurs Was, wie, warum? - Einführungskurs Kausale Inferenz von Dr. Julia Rohrer (Universität Leipzig) und Prof. Dr. Karsten Lübke (FOM Hochschule):

Die enthaltenen Materialien sollen es Lehrkräften erleichtern, das Kursmaterial für den eigenen Unterricht anzupassen.

Wenn Sie das Material studieren wollen, besuchen Sie am besten den originalen Kurs auf ki-campus.org/courses/wwweki.

Dieses Projekt ist eine Kopie (ein Fork) von https://github.com/luebby/WWWEKI, mit folgenden (geplanten) Modifikationen:

  • (Einige) HTML-Texte werden in Markdown umgewandelt.
  • (Einige) Diagramme werden in SVG umgewandelt.
  • Die R-Markdown-Dateien (die Grundlage der ShinyApps) werden (auch) in IPython-Notebooks umgewandelt.
  • Beispieldatensätze werden als lokale CSV-Dateien bereitgestellt.

Eine genauere Aufschlüsselung der Änderungen finden Sie in Datei CHANGELOG.md.

Was dies nicht ist

Die Lernerfahrung des Kurses auf KI-Campus soll gewährleistet bleiben: Insbesondere enthält dieses Projekt keine der benoteten Testfragen oder -antworten, da diese im Originalkurs nur unter Zeitdruck zugänglich sind und das Kurszertifikat von ihnen abhängt.

Installation

Mit Anaconda können Sie alles in einer neuen virtuellen Umgebung mit einem Befehl installieren:

conda create --name meinKI jupyter r-irkernel r-tidyverse r-mosaic r-learnr r-ggthemes

Um das Material auf GitHub oder GitLab usw. zu betrachten wird nur ein Webbrowser benötigt.

Um die IPython-Notebooks (d.h. die Dateien mit der Endung .ipynb) auszuführen oder zu ändern, müssen Sie Jupyter (oder einen geeigneten Editor) installieren.

  • FIXME: Testen/Erklärung von Ansatz mit Jupytext!

Sie müssen den R-Kernel für Jupyter installieren, um die R-Codezellen ausführen zu können. Der Kurs stützt sich auf die R-Pakete tidyverse und mosaic, learnr, ggthemes, die ihrerseits zusätzliche Abhängigkeiten mit sich bringen.

Optional: Um die Materialien in PDF-Handouts, Folien oder ein anderes Format zu konvertieren, können Sie Quarto installieren (das Pandoc enthält, einen leistungsstarken Konverter, den Sie auch ohne Quarto verwenden können).

Optional: Um Ihre Änderungen zu verfolgen und zu diesem Projekt beizutragen, benötigen Sie Git.

Modulübersicht

  1. An der Weggabelung: Einen Weg gehen - und einen nicht (Potential Outcome und Counterfactual)

  2. Ein Pfeil zeigt die Richtung (Strukturelle kausale Modelle und Kausale Diagramme)

  3. Daten analysieren – mit welchem Ziel? (Datenanwendungen (Beschreibung, Vorhersage, Kausale Inferenz), Kausale Leiter (Assoziation, Intervention, Counterfactual))

  4. Es steht was zwischen uns (Kette)

  5. Von Störchen und Geburten (Gabel)

  6. Nett oder schön? – Warum nicht beides? (Umgedrehte Gabel)

  7. Warum Raumteilung keine gute Investition ist (Wiederholung Grundelemente Kausaler Diagramme, Unterschied (do(x) vs. X=x am Beispiel)

  8. Magie durch Zufall (Zufällige Stichprobe und zufällige Zuordnung im Rahmen eines Experiments und die Auswirkungen auf die Datenanwendungen (Beschreibung, Vorhersage, Kausale Inferenz) )

  9. Was wäre gewesen, wenn? (Counterfactual)

  10. Graphen zeichnen und lesen (Beispiel Gender-Pay-Gap)

  11. Schadet Rauchen bei Heranwachsenden? (Anwendungsbeispiel Kausale Inferenz in der Medizin.)

  12. Praktisches Daten hinterfragen (DAGs in der Anwendung, Ausblick)

Weiterführende Links

Videos:

  • Die begleitenden Interviews mit angesehenen Expert:innen aus unterschiedlichen Fachgebieten, die ihre kausalen Fragestellungen und Lösungsansätze vorstellen, finden Sie unter https://wwweki.gitlab.io/interviews/.

Literatur:

  • Rohrer, J. M. (2018). Thinking clearly about correlations and causation: Graphical causal models for observational data. Advances in Methods and Practices in Psychological Science, 1(1), 27-42. https://doi.org/10.1177%2F2515245917745629
  • Lübke, K., Gehrke, M., Horst, J., & Szepannek, G. (2020). Why we should teach causal inference: Examples in linear regression with simulated data. Journal of Statistics Education, 28(2), 133-139. https://doi.org/10.1080/10691898.2020.1752859

FIXME: Beitragen

Bitte melden Sie Fehler, Unklarheiten und Verbesserungsvorschläge beim originalen Projekt unter https://github.com/luebby/WWWEKI/issues.

Lizenz

Creative Commons Lizenzvertrag
Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International Lizenz.

Förderung

Das Vorhaben Was, wie, warum? Einstiegskurs Kausale Inferenz (WWWEKI) wird mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen 16DHBQP040 gefördert.

Logo BMBF

About

Was, wie, warum? Einstiegskurs Kausale Inferenz

Topics

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages

  • Jupyter Notebook 94.3%
  • CSS 4.6%
  • R 1.1%