Dieses Projekt enthält Materialien für den KI-Campus-Kurs Was, wie, warum? - Einführungskurs Kausale Inferenz von Dr. Julia Rohrer (Universität Leipzig) und Prof. Dr. Karsten Lübke (FOM Hochschule):
Die enthaltenen Materialien sollen es Lehrkräften erleichtern, das Kursmaterial für den eigenen Unterricht anzupassen.
Wenn Sie das Material studieren wollen, besuchen Sie am besten den originalen Kurs auf ki-campus.org/courses/wwweki.
Dieses Projekt ist eine Kopie (ein Fork) von https://github.com/luebby/WWWEKI, mit folgenden (geplanten) Modifikationen:
- (Einige) HTML-Texte werden in Markdown umgewandelt.
- (Einige) Diagramme werden in SVG umgewandelt.
- Die R-Markdown-Dateien (die Grundlage der ShinyApps) werden (auch) in IPython-Notebooks umgewandelt.
- Beispieldatensätze werden als lokale CSV-Dateien bereitgestellt.
Eine genauere Aufschlüsselung der Änderungen finden Sie in Datei CHANGELOG.md.
Die Lernerfahrung des Kurses auf KI-Campus soll gewährleistet bleiben: Insbesondere enthält dieses Projekt keine der benoteten Testfragen oder -antworten, da diese im Originalkurs nur unter Zeitdruck zugänglich sind und das Kurszertifikat von ihnen abhängt.
Mit Anaconda können Sie alles in einer neuen virtuellen Umgebung mit einem Befehl installieren:
conda create --name meinKI jupyter r-irkernel r-tidyverse r-mosaic r-learnr r-ggthemes
Um das Material auf GitHub oder GitLab usw. zu betrachten wird nur ein Webbrowser benötigt.
Um die IPython-Notebooks (d.h. die Dateien mit der Endung .ipynb
) auszuführen oder zu ändern, müssen Sie Jupyter (oder einen geeigneten Editor) installieren.
- FIXME: Testen/Erklärung von Ansatz mit Jupytext!
Sie müssen den R
-Kernel für Jupyter installieren, um die R-Codezellen ausführen zu können.
Der Kurs stützt sich auf die R-Pakete tidyverse
und mosaic
, learnr
, ggthemes
, die ihrerseits zusätzliche Abhängigkeiten mit sich bringen.
Optional: Um die Materialien in PDF-Handouts, Folien oder ein anderes Format zu konvertieren, können Sie Quarto installieren (das Pandoc enthält, einen leistungsstarken Konverter, den Sie auch ohne Quarto verwenden können).
Optional: Um Ihre Änderungen zu verfolgen und zu diesem Projekt beizutragen, benötigen Sie Git.
-
An der Weggabelung: Einen Weg gehen - und einen nicht (Potential Outcome und Counterfactual)
- Interner Link auf Variante als R-Markdown und als IPython Notebook
- Externer Link auf ShinyApp
-
Ein Pfeil zeigt die Richtung (Strukturelle kausale Modelle und Kausale Diagramme)
-
Daten analysieren – mit welchem Ziel? (Datenanwendungen (Beschreibung, Vorhersage, Kausale Inferenz), Kausale Leiter (Assoziation, Intervention, Counterfactual))
-
Es steht was zwischen uns (Kette)
-
Von Störchen und Geburten (Gabel)
-
Nett oder schön? – Warum nicht beides? (Umgedrehte Gabel)
-
Warum Raumteilung keine gute Investition ist (Wiederholung Grundelemente Kausaler Diagramme, Unterschied (do(x) vs. X=x am Beispiel)
-
Magie durch Zufall (Zufällige Stichprobe und zufällige Zuordnung im Rahmen eines Experiments und die Auswirkungen auf die Datenanwendungen (Beschreibung, Vorhersage, Kausale Inferenz) )
-
Was wäre gewesen, wenn? (Counterfactual)
-
Graphen zeichnen und lesen (Beispiel Gender-Pay-Gap)
-
Schadet Rauchen bei Heranwachsenden? (Anwendungsbeispiel Kausale Inferenz in der Medizin.)
-
Praktisches Daten hinterfragen (DAGs in der Anwendung, Ausblick)
- Die deutsche Kursvariante auf KI-Campus: https://ki-campus.org/courses/wwweki
- Die englische Kursvariante auf KI-Campus: https://ki-campus.org/courses/whwici
- Details siehe z.B. FOM forscht Wissenschaftsblog.
Videos:
- Die begleitenden Interviews mit angesehenen Expert:innen aus unterschiedlichen Fachgebieten, die ihre kausalen Fragestellungen und Lösungsansätze vorstellen, finden Sie unter https://wwweki.gitlab.io/interviews/.
Literatur:
- Rohrer, J. M. (2018). Thinking clearly about correlations and causation: Graphical causal models for observational data. Advances in Methods and Practices in Psychological Science, 1(1), 27-42. https://doi.org/10.1177%2F2515245917745629
- Lübke, K., Gehrke, M., Horst, J., & Szepannek, G. (2020). Why we should teach causal inference: Examples in linear regression with simulated data. Journal of Statistics Education, 28(2), 133-139. https://doi.org/10.1080/10691898.2020.1752859
Bitte melden Sie Fehler, Unklarheiten und Verbesserungsvorschläge beim originalen Projekt unter https://github.com/luebby/WWWEKI/issues.
Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung - Weitergabe unter gleichen Bedingungen 4.0 International Lizenz.
Das Vorhaben Was, wie, warum? Einstiegskurs Kausale Inferenz (WWWEKI) wird mit Mitteln des Bundesministeriums für Bildung und Forschung unter dem Förderkennzeichen 16DHBQP040 gefördert.