Causality for Artificial Intelligence and Machine Learning

Die Vorlesung ist insofern strukturiert, dass es eine verständliche Übersicht verschiedener Facetten der Pearl'schen Kausalität liefert. Diese beinhalten das Modellieren von kausalen Grundannahmen, die Formulierung von kausalen Anfragen, die Unterscheidung von Korrelation und Kausation und auch die Inferenz von kausalen Strukturen aus Daten. Themen die dabei exploriert werden sind: Einführung und Motivation der Pearl'schen Kausalität und der Überschneidung dieser mit KI & ML Vom statistischen zum kausalen Lernen Die Pearl'sche Hierarchie der Kausalität bestehend aus Observierungen, Interventionen und Counterfactuals Entdeckung von kausalen Beziehungen Strukturell Kausale Modelle (SCM, Structural Causal Models) Lernen von neuronalen SCM Gängige Annahmen in der Kausalitätsliteratur Theoretische Aspekte der Kausalität Vergleichsindizes für kausale Inferenz Existierende Bereiche der Forschung an der Schnittstelle Kausalität & KI / ML Offene Forschungsfragen und Anwendungen