Słownik pojęć

Wnioskowanie przyczynowe

Czym jest Wnioskowanie przyczynowe?

Wnioskowanie przyczynowe obejmuje metody wyprowadzania z danych związków przyczynowo-skutkowych, a nie tylko wykrywania korelacji. Odpowiada na pytania takie jak: „Co by się stało, gdybyśmy nie podjęli tego działania?”. Narzędzia to eksperymenty z randomizacją, takie jak testy A/B, grafy przyczynowe i techniki statystyczne dla danych obserwacyjnych. Przykład: sprawdzenie, czy kampania rabatowa rzeczywiście zwiększyła sprzedaż, czy też wzrosłaby ona i tak z przyczyn sezonowych.

Tematy

Statystyka
przyczyna i skutek
Analiza

Wypróbuj KI.ordo

Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.

Uruchom demo

← Wszystkie pojęcia

Powiązane pojęcia

Sieci bayesowskie

Sieci bayesowskie to modele graficzne, które przedstawiają zmienne jako węzły, a ich probabilistyczne zależności jako skierowane strzałki. Za pomocą twierdzenia Bayesa pokazują, jak nowe obserwacje zmieniają prawdopodobieństwo innych zdarzeń. Przykładem jest wspomaganie diagnostyki: szacowanie najbardziej prawdopodobnej przyczyny na podstawie zaobserwowanych objawów. Ich mocnymi stronami są przejrzystość i zdolność do pracy z niepewnymi lub niekompletnymi danymi.

Prawdopodobieństwo
Modele graficzne
+1

Analityka predykcyjna

Analityka predykcyjna wykorzystuje dane historyczne, statystykę i uczenie maszynowe do szacowania prawdopodobnych przyszłych zdarzeń. Odpowiada na pytania takie jak: którzy klienci zamierzają zrezygnować? Ile towaru będzie potrzebne w przyszłym miesiącu? Kiedy maszyna prawdopodobnie ulegnie awarii? Wynikami są prawdopodobieństwa, a nie pewniki. Ich wartość w dużym stopniu zależy od jakości danych oraz od tego, czy prognozy faktycznie trafiają do decyzji i procesów.

analiza danych
prognozowanie
+1

Bias

W AI bias (stronniczość) oznacza systematyczne zniekształcenie wyników. Często wynika z niezrównoważonych lub historycznie zniekształconych danych treningowych, ale także z konstrukcji modelu lub sposobu sformułowania pytania. Znany przykład: narzędzie do preselekcji kandydatów, które uczy się na podstawie wcześniejszych decyzji rekrutacyjnych, może utrwalać istniejące nierówności. W statystyce bias oznacza również obciążenie estymatora, czyli odchylenie oszacowania od wartości prawdziwej. Środki zaradcze obejmują zróżnicowane dane, regularne audyty i podejmowanie decyzji kadrowych przez ludzi.

Etyka AI
Fairness
+1

Eksploracyjna analiza danych (EDA)

Eksploracyjna analiza danych (EDA) to pierwsze, otwarte spojrzenie na zbiór danych: oblicza się wartości zbiorcze, bada rozkłady i wykresy oraz szuka wzorców, wartości odstających i braków – jeszcze bez ustalonej hipotezy. Pomaga ocenić jakość danych i znaleźć sensowne pytania do dalszej analizy lub modelowania. Przykład: przed prognozą sprzedaży EDA ujawnia, że jeden miesiąc został zapisany niekompletnie z powodu migracji systemu.

Analiza danych
Statystyka
+1

Szablon