Johns Hopkins University
Data Science Decisions in Time: Using Causal Information

Diese kurs ist nicht verfügbar in Deutsch (Deutschland)

Wir übersetzen es in weitere Sprachen.
Johns Hopkins University

Data Science Decisions in Time: Using Causal Information

Thomas Woolf

Dozent: Thomas Woolf

Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
Stufe Mittel

Empfohlene Erfahrung

Es dauert 29 Stunden
3 Wochen bei 9 Stunden pro Woche
Flexibler Zeitplan
In Ihrem eigenen Lerntempo lernen
Verschaffen Sie sich einen Einblick in ein Thema und lernen Sie die Grundlagen.
Stufe Mittel

Empfohlene Erfahrung

Es dauert 29 Stunden
3 Wochen bei 9 Stunden pro Woche
Flexibler Zeitplan
In Ihrem eigenen Lerntempo lernen

Kompetenzen, die Sie erwerben

  • Kategorie: causal models
  • Kategorie: directed acyclic graphs
  • Kategorie: causal forests
  • Kategorie: A/B Testing
  • Kategorie: structural equations

Wichtige Details

Erwerben Sie ein Karrierezertifikat.

Zu Ihrem LinkedIn-Profil hinzufügen

Kürzlich aktualisiert!

August 2024

Bewertungen

16 Aufgaben

Unterrichtet in Englisch

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Platzhalter

Erweitern Sie Ihre Fachkenntnisse

Dieser Kurs ist Teil der Spezialisierung Spezialisierung Data Science Decisions in Time
Wenn Sie sich für diesen Kurs anmelden, werden Sie auch für diese Spezialisierung angemeldet.
  • Lernen Sie neue Konzepte von Branchenexperten
  • Gewinnen Sie ein Grundverständnis bestimmter Themen oder Tools
  • Erwerben Sie berufsrelevante Kompetenzen durch praktische Projekte
  • Erwerben Sie ein Berufszertifikat zur Vorlage
Platzhalter
Platzhalter

Erwerben Sie ein Karrierezertifikat.

Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.

Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.

Platzhalter

In diesem Kurs gibt es 6 Module

How do we best use information for setting polices, for setting prices, and for deciding what actions to take? We've been exploring this throughout our specialization. In this fourth course, we add in an intriguing route for optimizing decisions: causality. We start with considerations of a causal graphical structure, when it can be cleanly defined, where we have the ability to make decisions, to take actions, and to evaluate overall policies with a clear eye towards how the individual decisions are causally linked to the outcome. This is not always possible, but the ability to think about setting up this type of decision making structure is the end goal of our specialization. It is only possible with sufficient data, and that data does need to have a particular structure, ideally even having been collected with a causal analysis as the end point. In this first week we evaluate how to best update prices for a supermarket, as an example of the type of decision making that may be possible with these methods.

Das ist alles enthalten

3 Videos1 Lektüre3 Aufgaben

Classification and Regression are the lodestars of statistics and they come up again within the context of causal decisions. In this case the regression is really using the data to attempt to determine causal effects. In an analog to classification, when we define the optimal causal decision we are optimizing in a different way on the data than we do within the causal effect. This helps us to decide what we most want to determine from the data and what are the most important goals from the analysis. In this second week we continue our story for optimizing causal decisions by focusing on where best to locate a restaurant based on location data (anonymized) from cell phone user data.

Das ist alles enthalten

3 Videos1 Lektüre3 Aufgaben

Online advertising is both a challenge and an opportunity for businesses. From the marketing perspective, defining how much to spend and on who and when is the question they need answered. From a user perspective, the fewer the ads the better, but if there must be ads, can they be relevant and helpful. This is an example of a marketplace, based on online advertising. A simple example, one that we considered earlier, is A:B testing. In this week we return to this question of how to optimize the presentation of information, but now from a causal perspective. We will go over the causal forest route for how to determine an optimal causal decision. We will also go over randomized clinical trials and how the control of the treatment effect can make the analysis significantly cleaner.

Das ist alles enthalten

3 Videos1 Lektüre3 Aufgaben

David Blei's group contributed an intriguing route for defining causal decisions where confounding is still present, but can be treated in a way that still determines a causal understanding of the decision process. We will explore that paper, and its implications, along with other similar routes for working with data where the confounding issues may otherwise make the analysis a challenge. We open with how best to define the spend on a new movie project: hire that star actor or spend more on stunts? This is another example of a causally linked decision that does not have a final 'right' or 'wrong' but that does have major implications for a business.

Das ist alles enthalten

3 Videos1 Lektüre3 Aufgaben

How best to determine a decision for a large group versus an individual is our final motif for the specialization. In many ways this is the defining question for healthcare: how best to determine an optimal treatment for each individual? While there is a lot of work ahead to describe how this may be done in a detailed setting, there has been progress towards how to use information collected for many individuals that can then be a help in defining the best treatment for an individual. It is this current progress that has many people excited for the future of personalized medicine. At the same time it is a appropriate to realize the limits of what can be done, right now, with the question of an optimal individual treatment.

Das ist alles enthalten

3 Videos1 Lektüre3 Aufgaben

Das ist alles enthalten

1 Aufgabe1 Programmieraufgabe

Dozent

Thomas Woolf
Johns Hopkins University
4 Kurse380 Lernende

von

Empfohlen, wenn Sie sich für Data Analysis interessieren

Warum entscheiden sich Menschen für Coursera für ihre Karriere?

Felipe M.
Lernender seit 2018
„Es ist eine großartige Erfahrung, in meinem eigenen Tempo zu lernen. Ich kann lernen, wenn ich Zeit und Nerven dazu habe.“
Jennifer J.
Lernender seit 2020
„Bei einem spannenden neuen Projekt konnte ich die neuen Kenntnisse und Kompetenzen aus den Kursen direkt bei der Arbeit anwenden.“
Larry W.
Lernender seit 2021
„Wenn mir Kurse zu Themen fehlen, die meine Universität nicht anbietet, ist Coursera mit die beste Alternative.“
Chaitanya A.
„Man lernt nicht nur, um bei der Arbeit besser zu werden. Es geht noch um viel mehr. Bei Coursera kann ich ohne Grenzen lernen.“
Platzhalter

Neue Karrieremöglichkeiten mit Coursera Plus

Unbegrenzter Zugang zu über 7.000 erstklassigen Kursen, praktischen Projekten und Zertifikatsprogrammen, die Sie auf den Beruf vorbereiten – alles in Ihrem Abonnement enthalten

Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.

Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online

Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.

Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.

Häufig gestellte Fragen