le 25 mars prochain, 13h30, par Marianne Clausel (Univ Lorraine). G.Oppenheim (Univ Paris Est).
- Les nombreuses idées causales. Les situations fondamentales (fork, pipe, collider). Une définition d’un modèle causal. Causalité et DAG. Apparier. Données d’expérience et d’observation. Approches contractuelles. Intervention. L’épidémiologique, un domaine modèle.
- Tu causes l’effet? Des modèles de régression étranges. Confusion et régression. Appariement par le Propensity Score pour assurer le contrôle de facteurs non mesurés. Application : des données de puits.
- Construction de graphe d’influence et algorithmes associés.
- Médiation : évaluation des effets directs et indirects.
- Causalité en IA.
- Temps et causalité : un thème ouvert