Чему вы научитесь
- Познакомитесь со всей необходимой теорией Causal Inference: узнаете, что такое потенциальные результаты, конфаундинг и почему именно A/B эксперименты являются стандартом Causal Inference.
- Узнаете, как линейная регрессия OLS устраняет смещение через ортогонализацию, и научитесь правильно применять её в задачах Causal Inference.
- Научитесь применять нелинейные модели, такие как CatBoost и XGBoost, в задачах Causal Inference, используя теорему Фриша–Во–Ловелла и Double Machine Learning.
- Узнаете, что такое Propensity Score на самом деле, и сможете применять методы IPTW и DRE на практике.
- Поймёте истинную силу панельных данных и моделей Two-Way Fixed Effects, а также научитесь учитывать ненаблюдаемые переменные.
- Научитесь применять метод синтетического контроля Causal Impact: узнаете, как работать с ковариатами и проверять качество модели с помощью A/A симуляций.
- Разберётесь с методом Difference-in-Differences, поймёте его предпосылки и научитесь применять его для оценки эффектов.
- Получите handbook по решению задач Causal Inference.
- Опытные аналитики посмотрят на A/B-тестирование под новым углом.
О курсе
Зачем проходить данный курс
Часто в работе аналитиков встречаются случаи, когда провести рандомизированный эксперимент (A/B-тест) невозможно. В таких случаях second-best option — методы Causal Inference.
Данный курс научит вас качественно проводить Causal Inference исследования, корректно оценивать эффекты на нерандомизированных данных и использовать результаты для принятия обоснованных продуктовых решений.
Курс даст вам структурное понимание Causal Inference и поможет разобраться, как применять его методы в реальных задачах.
В каждом модуле вас ждут практические кейсы на данных, разбор популярных заблуждений и типичных ошибок (еще много мемов).
Для кого этот курс
Начальные требования
- Навыки программирования на Python и опыт работы с библиотеками Pandas и Numpy.
- Знания базовой статистики: ЦПТ, Доверительные интервалы, t-test, p-value.
- Знания классических понятий и концепций из Machine Learning: кросс-валидация, oof-предсказания, MSE.
Эти знания желательны, поскольку в рамках курса мы не будем разбирать многие базовые концепции, например доверительные интервалы и p-value. Мы будем опираться на них как на уже известный инструментарий и фокусироваться непосредственно на задачах Causal Inference.
Наши преподаватели
Программа курса
Что вы получаете
- Познакомитесь со всей необходимой теорией Causal Inference: узнаете, что такое потенциальные результаты, конфаундинг и почему именно A/B эксперименты являются стандартом Causal Inference.
- Узнаете, как линейная регрессия OLS устраняет смещение через ортогонализацию, и научитесь правильно применять её в задачах Causal Inference.
- Поймёте, почему в Causal Inference нельзя просто добавить в модель как можно больше признаков.
- Научитесь применять нелинейные модели, такие как CatBoost и XGBoost, в задачах Causal Inference, используя теорему Фриша–Во–Ловелла и Double Machine Learning.
- Узнаете, что такое Propensity Score на самом деле, и сможете применять методы IPTW и DRE на практике.
- Поймёте истинную силу панельных данных и моделей Two-Way Fixed Effects, а также научитесь учитывать ненаблюдаемые переменные.
- Научитесь применять метод синтетического контроля Causal Impact: узнаете, как работать с ковариатами и проверять качество модели с помощью A/A симуляций.
- Разберётесь с методом Difference-in-Differences, поймёте его предпосылки и научитесь применять его для оценки эффектов.
- Получите handbook по решению задач Causal Inference.
- Опытные аналитики посмотрят на A/B-тестирование под новым углом.