Datenwissenschaftler werden häufig mit Fragen zur Kausalität konfrontiert: (1) Hat die jüngste PR-Berichterstattung zu Neuanmeldungen geführt, (2) hat der Kundensupport den Umsatz gesteigert oder (3) hat die Verbesserung des Empfehlungsmodells den Umsatz erhöht? Um die Interessengruppen des Unternehmens zu unterstützen, muss jeder Datenwissenschaftler Techniken erlernen, die Fragen wie diese beantworten können, die sich um Fragen der Kausalität drehen und mit kausaler Inferenz gelöst werden. In diesem Projekt lernen Sie die Theorie und die Intuition hinter den vier wichtigsten kausalen Inferenztechniken der kontrollierten Regression, der Regressionsdiskontinuität, der Differenz in der Differenz und der instrumentellen Variablen sowie einige Techniken an der Schnittstelle von maschinellem Lernen und kausaler Inferenz, die in der Datenwissenschaft nützlich sind, nämlich die doppelte Auswahl und die kausalen Wälder. Diese werden Ihnen helfen, Fragen wie die oben genannten rigoros zu beantworten und ein besserer Datenwissenschaftler zu werden!