STAFFEL 4
The Erium Podcast geht in Runde 4. In dieser Staffel konzentrieren wir uns auf das Thema Causal Machine Learning. Folgende Fragen werden dabei für euch Complexity Masters geklärt: Was ist Causal ML? Wofür benötigen wir es? Welche Fragestellung löst Causal ML und bei welchen Problemen solltet ihr einen kausalen Ansatz verfolgen? Das und vieles mehr beantworten euch Maksim und Theo in Staffel 4.
30. Juni 2021
CAUSAL MACHINE LEARNING – Use Cases aus der Praxis
WRAP UP Season 4
In Staffel 4 haben wir uns das Thema Causal Machine Learning genauer angeschaut – angefangen von der Begriffserklärung, wofür man es braucht und wo Causal Machine Learning überall eingesetzt wird. Maksim und Theo haben eine Reihe von Fachtermini gelüftet und erklärt, welche Algorithmen sich für Causal Machine Learning eignen [...]
CAUSAL MACHINE LEARNING – mehr als nur Algorithmen
Causal Machine Learning ist mehr als nur Algorithmen und Mathematik! In dieser Folge von The Erium Podcast besprechen Maksim und Theo was man für ein erfolgreiches Causal Inference Projekt neben der reinen Technik auf keinen Fall außer Acht lassen darf. Beim Algorithmus der Woche wartet ein wahres Multi-Talent auf [...]
CAUSAL MACHINE LEARNING – wie holt man am meisten damit raus?
Causal machine learning als Allheilmittel? Weit gefehlt! In dieser Folge diskutieren Maksim und Theo bei welcher Art von Problemstellungen und unter welchen Rahmenbedingungen es am sinnvollsten ist, einen kausalen Ansatz zu verfolgen. Maksim arbeitet ein Trauma aus seiner frühen Zeit als Data Scientist auf und auch Theo wird unerwarteter [...]
AI ANSÄTZE FÜR KAUSALE URSACHENFINDUNG FÜR APPLICATION PERFORMANCE MONITORING – mit Thomas Natschläger
In dieser Folge ist Thomas Natschläger, Lead AI/Data Scientist von Dynatrace, zu Gast! Gemeinsam mit Maksim und Theo diskutiert er, welche Rolle kausales Machine Learning beim Application Performance Monitoring spielt. Welche Vorraussetzungen müssen sowohl technisch, als auch algorithmisch gegeben sein und welchen Mehrwert hat der Kunde davon? All das [...]
REVIEW DATA SCIENCE MEETUPS 2
In der neusten Folge von The Erium Podcast setzen Maksim und Theo ihren Rückblick auf die letzten Data Science Meetups fort. Worum ging es jeweils und was waren die spannendsten Erkenntnisse? Und wie schaffte es Least Squares zum Algorithmus der Woche? Hört rein, was Maksim und Theo dazu verraten! [...]
REVIEW DATA SCIENCE MEETUPS 1
In der neusten Folge von The Erium Podcast blicken Maksim und Theo zurück auf eine spannende Serie unserer Data Science Meetups. Sie verraten euch, worum es jeweils ging, und was die jeweils interessantesten Insights waren. Darüber hinaus wartet mit dem "Blick in den Werkzeugkasten" eine neue Kategorie auf euch. [...]
CAUSAL MACHINE LEARNING – welche Algorithmen eignen sich dafür?
Welche Algorithmen eignen sich fürs Causal Machine Learning und was haben diese gemeinsam? Und muss ich diese Algorithmen alle selbst implementieren oder gibt es bereits Packages die ich direkt nutzen kann? In der neusten Folge von "The Erium Podcast" diskutieren Maksim und Theo Alternativen zu Bayes'schen Netzen und stellen [...]
CAUSAL MACHINE LEARNING – Use Cases aus der Praxis
Wann werden Entscheidungen, die ohne Causal Inference getroffen werden, richtig teuer? Und was haben Gutscheine mit der Prozessindustrie zu tun? In dieser Folge diskutieren Maksim und Theo konkrete Beispiele aus der Praxis und erklären wie euch die korrekte Modellierung der kausalen Zusammenhänge davor bewahrt aufs Glatteis geführt zu werden. [...]
CAUSAL MACHINE LEARNING – Korrelation, Kausalität und die verirrte Statistik
Spurious Correlations, D-Separation, Counterfactuals... und was haben eigentlich Bärte mit Machine Learning zu tun? In dieser Folge von The Erium Podcast gehen wir auf eine Reihe von Fachtermini ein und lüften dabei was - und vor allem auch was nicht - hinter den Begriffen steckt. Außerdem rufen Theo und [...]
CAUSAL MACHINE LEARNING – was ist das genau und wofür braucht man es?
Zum Auftakt der Staffel 4 klären wir zunächst den Begriff Causal Machine Learning. Die reine Statistik kümmert sich nicht um Kausalitäten. Der Mensch hingegen sucht lechzend nach kausalen Zusammenhängen. Das ist eine gefährliche Kombination. Durch Causal Machine Learning können wir diese Zusammenhänge nüchtern behandeln – so wie wir es [...]
