Causal Inference для аналитиков [Stepik] [Максим Кан]

Складчина: Causal Inference для аналитиков [Stepik] [Максим Кан]

Курс для тех, кто хочет научиться оценивать эффекты без A/B-тестов, и применять методы Causal Inference в реальных задачах.

Чему вы научитесь

• Познакомитесь со всей необходимой теорией Causal Inference: узнаете, что такое потенциальные результаты, конфаундинг и почему именно A/B эксперименты являются стандартом Causal Inference.
• Узнаете, как линейная регрессия OLS устраняет смещение через ортогонализацию, и научитесь правильно применять её в задачах Causal Inference.
• Научитесь применять нелинейные модели, такие как CatBoost и XGBoost, в задачах Causal Inference, используя теорему Фриша–Во–Ловелла и Double Machine Learning.
• Узнаете, что такое Propensity Score на самом деле, и сможете применять методы IPTW и DRE на практике.
• Поймёте истинную силу панельных данных и моделей Two-Way Fixed Effects, а также научитесь учитывать ненаблюдаемые переменные.
• Научитесь применять метод синтетического контроля Causal Impact: узнаете, как работать с ковариатами и проверять качество модели с помощью A/A симуляций.
• Разберётесь с методом Difference-in-Differences, поймёте его предпосылки и научитесь применять его для оценки эффектов.
• Получите handbook по решению задач Causal Inference.
• Опытные аналитики посмотрят на A/B-тестирование под новым углом.

Зачем проходить данный курс?
Часто в работе аналитиков встречаются случаи, когда провести рандомизированный эксперимент (A/B-тест) невозможно. В таких случаях second-best option — методы Causal Inference.

• Требования к знаниям Causal Inference всё чаще встречаются в вакансиях на аналитиков.
• Курс научит вас качественно проводить Causal Inference исследования, корректно оценивать эффекты на нерандомизированных данных и использовать результаты для принятия обоснованных продуктовых решений.
• В каждом модуле вас ждут практические кейсы на данных, разбор популярных заблуждений и типичных ошибок (еще много мемов).
• Курс даст вам структурное понимание Causal Inference и поможет разобраться, как применять его методы в реальных задачах.

Что после?
После прохождения курса полученных знаний и навыков должно хватить, чтобы качественно проводить Causal Inference исследования у себя на работе или пройти секцию с Causal Inference на собеседовании.

Формат курса

1. Текстовые лекции по теме. Материал сложный, но я старался писать понятным языком. Помимо математики, мы также разбираем интуицию за изучаемыми методами.
2. Тесты по пройденному материалу.
3. Практические задания на данных. Учимся применять изученные методы на реальных кейсах.

Для кого этот курс
Курс предназначен для всех специалистов в области Data Science и будет особенно полезен продуктовым аналитикам, маркетинговым аналитикам, а также аналитикам данных.

Начальные требования

• Навыки программирования на Python и опыт работы с библиотеками Pandas и Numpy.
• Знания базовой статистики: ЦПТ, Доверительные интервалы, t-test, p-value.
• Знания классических понятий и концепций из Machine Learning: кросс-валидация, oof-предсказания, MSE.

Эти знания желательны, поскольку в рамках курса мы не будем разбирать многие базовые концепции, например доверительные интервалы и p-value. Мы будем опираться на них как на уже известный инструментарий и фокусироваться непосредственно на задачах Causal Inference.

Программа курса

1. Введение

• Что даст вам этот курс?
• Что нужно знать перед прохождением?

2. Основы причинно-следственного анализа

• Введение в Causal Inference
• Average Treatment Effect
• Причинно-следственный DAG
• Selection Bias и Confounding Bias

3. Линейная регрессия. Regression Adjustment и Ортогонализация

• Линейная регрессия OLS. Ортогонализация
• Two Way Fixed Effects. Ненаблюдаемые конфаундеры
• Double Machine Learning для ортогонализации
• Инструментальная переменная и 2SLS регрессия

4. Propensity Score

• Склонность к воздействию - балансирующая мера
• Inverse Probability of Treatment Weighting (IPW)
• Double robust estimator

5. Casual Impact

• Принцип работы Causal Impact
• Анализ остатков и A/A симуляции
• Работа с ковариатами

6. Difference in Difference

• Канонический Difference in Difference
• Предположения Difference in Difference
• Модификации Difference in Difference

Цена: 3499 руб.
Скрытая ссылка