Episode 4

CAUSAL MACHINE LEARNING – welche Algorithmen eignen sich dafür?

Published on: 11th May, 2021

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 euch die Vor- und Nachteile verschiedener existierender Causal ML Lösungen vor. Und über die irregeleitete Statistik hinaus haben wir eine neue Rubrik für euch auf Lager.

Halerium

Structural Equation Modeling

Machine Learning Algorithmus der Woche: Self-Organizing Map (SOM)

DoWhy
NumPyro und dessen Do-Operator
CausalML
Causallib

Du möchtest dich unbedingt zu diesem Thema mit weiteren Experten austauschen? Dann registriere dich jetzt bei unserer Data Science Meetup Gruppe: Link zur Registrierung

Der Beitrag CAUSAL MACHINE LEARNING – welche Algorithmen eignen sich dafür? erschien zuerst auf The Erium Podcast - Data Science & Machine Learning.

Next Episode All Episodes Previous Episode

Listen for free

Show artwork for Beyond AI

About the Podcast

Beyond AI
Was kann KI wirklich – und was nicht? Theo Steininger spricht mit Maksim Greiner und Gästen über künstliche Intelligenz aus der Praxis: ehrlich, technisch fundiert und ohne Bullshit-Bingo. Direkt aus dem Maschinenraum eines KI-Startups.
Beyond AI – früher The Erium Podcast – ist der Podcast über künstliche Intelligenz jenseits von Hype und Marketing-Folien.
Was können die Modelle wirklich? Wo scheitern sie nach wie vor? Und was heißt das für alle, die mit KI arbeiten wollen, statt nur darüber zu reden? Theo Steininger geht diesen Fragen in zwei Formaten nach: in Deep-Dive-Gesprächen mit Maksim Greiner, mit dem er gemeinsam das KI-Startup Erium aufgebaut hat, und im Austausch mit Gästen aus Forschung, Industrie und der Startup-Welt.
Es geht um LLMs, Agenten und den Weg von der Demo ins Produktivsystem – und immer wieder um die ehrliche Frage: Funktioniert das wirklich, oder klingt es nur gut? Keine Buzzword-Feuerwerke, keine Heilsversprechen, keine Weltuntergangsszenarien. Sondern das, was hängen bleibt, wenn man jeden Tag mit dem Zeug arbeitet.