Les data scientists se voient souvent poser des questions liées à la causalité : (1) la récente couverture médiatique a-t-elle entraîné des inscriptions, (2) le support client augmente-t-il les ventes, ou (3) l'amélioration du modèle de recommandation a-t-elle entraîné des revenus ? Soutenir les parties prenantes de l'entreprise exige que chaque scientifique des données apprenne des techniques qui peuvent répondre à des questions comme celles-ci, qui sont centrées sur des problèmes de causalité et sont résolues avec l'inférence causale. Dans ce projet, vous apprendrez la théorie de haut niveau et l'intuition derrière les quatre principales techniques d'inférence causale de la régression contrôlée, de la discontinuité de la régression, de la différence dans la différence et des variables instrumentales, ainsi que certaines techniques à l'intersection de l'apprentissage automatique et de l'inférence causale qui sont utiles dans la science des données, appelées double sélection et forêts causales. Ces techniques vous aideront à répondre rigoureusement à des questions telles que celles mentionnées ci-dessus et à devenir un meilleur scientifique des données !