🔗 از پیش‌بینی رویدادها تا کشف علت واقعی آن‌ها

🚀 وقتی علت یک رویداد را بدونی، میتونی روی نتیجه آن تأثیر بذاری. کتاب Causal Inference for Data Science مقدمه‌ای قابل‌فهم درباره Causal Inference ارائه میده و نشان میده چطور با استفاده از Statistics و Machine Learning، رابطه علت‌ومعلولی را تشخیص بدی و میزان اثر عوامل مختلف را تخمین بزنی.

🧪 A/B Testها و Randomized Controlled Trialها پرهزینه‌اند و در محیط‌های تجاری اغلب امکان اجرای آن‌ها وجود نداره. این کتاب تکنیک‌ها و روش‌هایی را معرفی میکنه که حتی بدون اجرای آزمایش یا Test هم میتونن علت‌ها را از دل Data شناسایی کنن.

✨ ویژگی‌های کلیدی

🕸️ یاد میده واقعیت را با استفاده از Causal Graphها و Directed Acyclic Graph یا DAG مدل‌سازی کنی.

📊 روش‌های تخمین Causal Effect با تکنیک‌های آماری و Machine Learning را بررسی میکنه.

🧪 تفاوت A/B Testing، Causal Inference و Machine Learning را توضیح میده و مشخص میکنه هرکدام چه زمانی انتخاب مناسب‌تری هستن.

⚖️ نحوه توضیح و ارزیابی Objectiveها، Assumptionها، Riskها و Limitationهای هر تحلیل را آموزش میده.

🧩 کمک میکنه تشخیص بدی آیا Variableهای کافی برای انجام تحلیل در اختیار داری یا نه.

📘 توضیح کتاب

🔮 میشه رویدادها را بدون شناخت علت وقوع آن‌ها پیش‌بینی کرد؛ اما درک Causality علاوه بر پیش‌بینی مبتنی بر Data، امکان مداخله و تغییر نتیجه را هم فراهم میکنه. Causal Inference for Data Science نشان میده چطور ابزارهایی بسازی که Root Cause روندها و رویدادها را شناسایی میکنن.

📚 با کمک این کتاب یاد میگیری Historical Data را تفسیر کنی، رفتار مشتریان را بهتر بشناسی و اطلاعات لازم را در اختیار مدیران قرار بدی تا تصمیم‌های بهینه‌تری بگیرن.

❓ چرا نتیجه خاصی به دست اومد؟ چه عاملی میتونست به نتیجه متفاوتی منجر بشه؟ این‌ها پرسش‌های اساسی Causal Inference هستن. این روش قدرتمند با برقراری ارتباط میان علت و معلول، کیفیت تصمیم‌گیری را بهتر میکنه؛ حتی زمانی که امکان اجرای Experiment، A/B Test یا Controlled Trialهای پرهزینه وجود نداره.

🏢 کتاب تکنیک‌هایی را معرفی میکنه که Causal Reasoning را در سناریوهای عادی کسب‌وکار به کار میگیرن. راهنمای عملی و روان کتاب باعث میشه بدون نیاز به Statistics پیشرفته یا ریاضیات سطح بالا، Causal Inference را در عمل استفاده کنی.

🕸️ با به‌کارگیری روشی ساده مبتنی بر DAG یاد میگیری عملکرد تبلیغات و پلتفرم‌های تبلیغاتی را ارزیابی کنی، درمان‌هایی را انتخاب کنی که بیشترین تأثیر مثبت را دارن و قیمت‌گذاری مؤثر محصولات را از زاویه Causal Inference بررسی کنی.

🤖 کتاب رابطه میان Causal Inference و Machine Learning و همچنین محدودیت‌های هر دو را عمیق‌تر بررسی میکنه. تکنیک‌های Data-Centric آن برای تخمین Causal Effect طراحی شده‌اند و برای افرادی با مهارت متوسط Data Science قابل‌فهم هستن.

💡 مثال‌های متعدد و روشنگر کتاب نشان میدن Causal Inference چطور در دنیای واقعی استفاده میشه. این مثال‌ها از سنجش عملکرد تبلیغات و انتخاب درمان‌های مؤثر تا مواجهه با هنر ظریف و حساس قیمت‌گذاری محصول را پوشش میدن.

🎯 پس از مطالعه کتاب، میتونی علت اصلی رویدادها و روندها را از Data استخراج کنی، Causal Effectها را با Statistics و Machine Learning تخمین بزنی، اعتبار Assumptionهای خودت را بسنجی و نتایج تحلیل را برای تصمیم‌گیری و مداخله مؤثر در مسائل واقعی به کار بگیری.

🎯 چیزهایی که یاد میگیری

🕸️ یاد میگیری واقعیت و روابط علت‌ومعلولی را با Causal Graphها مدل‌سازی کنی.

📈 میتونی Causal Effectها را با روش‌های آماری و تکنیک‌های Machine Learning تخمین بزنی.

🧪 یاد میگیری چه زمانی از A/B Test، Causal Inference یا Machine Learning استفاده کنی.

⚖️ میتونی Objectiveها، Assumptionها، Riskها و Limitationهای تحلیل را توضیح بدی و ارزیابی کنی.

🧩 یاد میگیری تشخیص بدی Variableهای موجود برای تحلیل Causal کافی هستن یا نه.

🎯 میتونی از Historical Data برای درک رفتار مشتریان، کشف Root Cause رویدادها و پشتیبانی از تصمیم‌های مدیریتی استفاده کنی.

🏢 یاد میگیری Causal Inference را روی Data واقعی کسب‌وکار و مسائلی مثل تبلیغات، درمان‌های سلامت و قیمت‌گذاری محصول به کار بگیری.

🤖 رابطه متقابل Machine Learning و Causal Inference و محدودیت‌های هرکدام را درک میکنی.

👤 این کتاب برای چه کسانیه؟

📊 این کتاب برای Data Scientistها، Machine Learning Engineerها، Statisticianها و Economistهایی نوشته شده که میخوان رویکردی مبتنی بر Machine Learning برای Causal Inference یاد بگیرن.

💻 تکنیک‌های عملی کتاب برای افرادی با مهارت متوسط Data Science قابل‌استفاده‌اند. برای اجرای روش‌های آن به Statistics پیشرفته یا ریاضیات سطح بالا نیاز نیست.

🏢 مطالب برای کسانی مناسبه که میخوان Causal Inference را روی Data واقعی کسب‌وکار اجرا کنن؛ از تحلیل عملکرد پلتفرم‌های تبلیغاتی و رفتار مشتریان گرفته تا انتخاب درمان‌های سلامت و تصمیم‌گیری درباره قیمت محصولات.

📖 فهرست مطالب

بخش اول. Inference و نقش Confounderها

فصل ۱. مقدمه‌ای بر Causality

فصل ۲. گام‌های نخست؛ کار با Confounderها

فصل ۳. به‌کارگیری Causal Inference

فصل ۴. Machine Learning و Causal Inference چطور میتونن به یکدیگر کمک کنن؟

بخش دوم. کاربرد عملی Adjustment Formula

فصل ۵. پیداکردن موارد قابل‌مقایسه با Propensity Scoreها

فصل ۶. اثرهای مستقیم و غیرمستقیم با Linear Modelها

فصل ۷. کار با Graphهای پیچیده

فصل ۸. ابزارهای پیشرفته با Library DoubleML

بخش سوم. راهبردهای دیگر فراتر از Adjustment Formula

فصل ۹. Instrumental Variableها

فصل ۱۰. چارچوب Potential Outcomes

فصل ۱۱. اثر یک رویداد وابسته به زمان

پیوست A. ریاضیات پشت Adjustment Formula

پیوست B. پاسخ تمرین‌های فصل ۲

پیوست C. Technical Lemma مربوط به Propensity Scoreها

پیوست D. اثبات Doubly Robust Estimator

پیوست E. Technical Lemma مربوط به Alternative Instrumental Variable Estimator

پیوست F. اثبات Instrumental Variable Formula برای Imperfect Compliance

👤 درباره نویسنده

📊 Aleix Ruiz de Villa Robert مشاور مستقل Data Science و دارای مدرک PhD در Mathematical Analysis از Universitat Autònoma de Barcelona است.

🏢 Aleix Ruiz de Villa در صنایع Journalism، Retail، Transportation و Software Development فعالیت کرده است.

🌐 او بنیان‌گذار Barcelona Data Science & Machine Learning Meetup است.

When you know the cause of an event, you can affect its outcome. This accessible introduction to causal inference shows you how to determine causality and estimate effects using statistics and machine learning.

A/B tests or randomized controlled trials are expensive and often unfeasible in a business environment. Causal Inference for Data Science reveals the techniques and methodologies you can use to identify causes from data, even when no experiment or test has been performed.

In Causal Inference for Data Science you will learn how to:

• Model reality using causal graphs
• Estimate causal effects using statistical and machine learning techniques
• Determine when to use A/B tests, causal inference, and machine learning
• Explain and assess objectives, assumptions, risks, and limitations
• Determine if you have enough variables for your analysis

It’s possible to predict events without knowing what causes them. Understanding causality allows you both to make data-driven predictions and also intervene to affect the outcomes. Causal Inference for Data Science shows you how to build data science tools that can identify the root cause of trends and events. You’ll learn how to interpret historical data, understand customer behaviors, and empower management to apply optimal decisions.

About the technology

Why did you get a particular result? What would have lead to a different outcome? These are the essential questions of causal inference. This powerful methodology improves your decisions by connecting cause and effect—even when you can’t run experiments, A/B tests, or expensive controlled trials.

About the book

Causal Inference for Data Science introduces techniques to apply causal reasoning to ordinary business scenarios. And with this clearly-written, practical guide, you won’t need advanced statistics or high-level math to put causal inference into practice! By applying a simple approach based on Directed Acyclic Graphs (DAGs), you’ll learn to assess advertising performance, pick productive health treatments, deliver effective product pricing, and more.

What's inside

• When to use A/B tests, causal inference, and ML
• Assess objectives, assumptions, risks, and limitations
• Apply causal inference to real business data

About the reader

For data scientists, ML engineers, and statisticians.

About the author

Aleix Ruiz de Villa Robert is a data scientist with a PhD in mathematical analysis from the Universitat Autònoma de Barcelona.

Table of Contents

Part 1. Inference and the Role of Confounders

Chapter 1. Introducing Causality

Chapter 2. First Steps: Working with Confounders

Chapter 3. Applying Causal Inference

Chapter 4. How Machine Learning and Causal Inference Can Help Each Other

Part 2. The Adjustment Formula in Practice

Chapter 5. Finding Comparable Cases with Propensity Scores

Chapter 6. Direct and Indirect Effects with Linear Models

Chapter 7. Dealing with Complex Graphs

Chapter 8. Advanced Tools with the DoubleML Library

Part 3. Other Strategies Beyond the Adjustment Formula

Chapter 9. Instrumental Variables

Chapter 10. Potential Outcomes Framework

Chapter 11. The Effect of a Time-Related Event

Appendix A. The Math Behind the Adjustment Formula

Appendix B. Solutions to Exercises in Chapter 2

Appendix C. Technical Lemma for the Propensity Scores

Appendix D. Proof for Doubly Robust Estimator

Appendix E. Technical Lemma for the Alternative Instrumental Variable Estimator

Appendix F. Proof of the Instrumental Variable Formula for Imperfect Compliance

From the Back Cover:

Causal Inference for Data Science introduces data-centric techniques and methodologies you can use to estimate causal effects. The book dives into the relationship between causal inference and machine learning and the limitations of both. The practical techniques presented in this unique book are accessible to anyone with intermediate data science skills and require no advanced statistics! The numerous insightful examples show you how to put causal inference into practice in the real world. You'll assess the performance of advertising platforms, choose the health treatments with the most positive impact, and learn how to approach the delicate art of product pricing from a causal inference perspective.

About the reader:

For data scientists, machine learning engineers, statisticians and economists who want to learn a machine learning approach to causal inference.

About the Author

Aleix Ruiz de Villa is a freelance data science consultant with a PhD in mathematical analysis from the Universitat Autonoma de Barcelona. Aleix has worked in the journalism, retail, transportation and software development industries. He is the founder of the Barcelona Data Science & Machine Learning Meetup.