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

Ce cours n'est pas disponible en Français (France)

Nous sommes actuellement en train de le traduire dans plus de langues.
Johns Hopkins University

Data Science Decisions in Time: Using Causal Information

Thomas Woolf

Instructeur : Thomas Woolf

Inclus avec Coursera Plus

Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
niveau Intermédiaire

Expérience recommandée

29 heures pour terminer
3 semaines à 9 heures par semaine
Planning flexible
Apprenez à votre propre rythme
Obtenez un aperçu d'un sujet et apprenez les principes fondamentaux.
niveau Intermédiaire

Expérience recommandée

29 heures pour terminer
3 semaines à 9 heures par semaine
Planning flexible
Apprenez à votre propre rythme

Compétences que vous acquerrez

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

Détails à connaître

Certificat partageable

Ajouter à votre profil LinkedIn

Récemment mis à jour !

août 2024

Évaluations

16 devoirs

Enseigné en Anglais

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

Emplacement réservé

Élaborez votre expertise du sujet

Ce cours fait partie de la Spécialisation Data Science Decisions in Time
Lorsque vous vous inscrivez à ce cours, vous êtes également inscrit(e) à cette Spécialisation.
  • Apprenez de nouveaux concepts auprès d'experts du secteur
  • Acquérez une compréhension de base d'un sujet ou d'un outil
  • Développez des compétences professionnelles avec des projets pratiques
  • Obtenez un certificat professionnel partageable
Emplacement réservé
Emplacement réservé

Obtenez un certificat professionnel

Ajoutez cette qualification à votre profil LinkedIn ou à votre CV

Partagez-le sur les réseaux sociaux et dans votre évaluation de performance

Emplacement réservé

Il y a 6 modules dans ce cours

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.

Inclus

3 vidéos1 lecture3 devoirs

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.

Inclus

3 vidéos1 lecture3 devoirs

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.

Inclus

3 vidéos1 lecture3 devoirs

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.

Inclus

3 vidéos1 lecture3 devoirs

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.

Inclus

3 vidéos1 lecture3 devoirs

Inclus

1 devoir1 devoir de programmation

Instructeur

Thomas Woolf
Johns Hopkins University
4 Cours384 apprenants

Offert par

Recommandé si vous êtes intéressé(e) par Data Analysis

Pour quelles raisons les étudiants sur Coursera nous choisissent-ils pour leur carrière ?

Felipe M.
Étudiant(e) depuis 2018
’Pouvoir suivre des cours à mon rythme à été une expérience extraordinaire. Je peux apprendre chaque fois que mon emploi du temps me le permet et en fonction de mon humeur.’
Jennifer J.
Étudiant(e) depuis 2020
’J'ai directement appliqué les concepts et les compétences que j'ai appris de mes cours à un nouveau projet passionnant au travail.’
Larry W.
Étudiant(e) depuis 2021
’Lorsque j'ai besoin de cours sur des sujets que mon université ne propose pas, Coursera est l'un des meilleurs endroits où se rendre.’
Chaitanya A.
’Apprendre, ce n'est pas seulement s'améliorer dans son travail : c'est bien plus que cela. Coursera me permet d'apprendre sans limites.’
Emplacement réservé

Ouvrez de nouvelles portes avec Coursera Plus

Accès illimité à plus de 7 000 cours de renommée internationale, à des projets pratiques et à des programmes de certificats reconnus sur le marché du travail, tous inclus dans votre abonnement

Faites progresser votre carrière avec un diplôme en ligne

Obtenez un diplôme auprès d’universités de renommée mondiale - 100 % en ligne

Rejoignez plus de 3 400 entreprises mondiales qui ont choisi Coursera pour les affaires

Améliorez les compétences de vos employés pour exceller dans l’économie numérique

Foire Aux Questions