Lehrinhalte
1. Wahrscheinlichkeitstheorie
2. Bausteine der kausalen Modellierung, z. B.
• Confounding, Collider, Suppressor Variablen
• Simpsons Paradoxon, Berksons Paradoxon
• Pearls kausale Hierarchie
• Do-Kalkül
• Randomisierte Experimente und Mendelian randomization
• Potential outcomes framework
• Structural causal models
• Granger causality
• Dynamic causal modeling
3. Probleme und Methoden der kausalen Inferenz, z. B.
• Causal discovery und Systemidentifikation, z. B. Randomisierung, Half-Trek-Kriterium, LiNGAM-Algorithmen, Unabhängigkeits- und bedingte Unabhängigkeitstests
• Schätzung des durchschnittlichen und individuellen Behandlungseffekts, z. B. Backdoor- und Frontdoor-Kriterium, instrumental variables, g Methods, uplift curves, Qini coefficients, difference-in-differences, regression discontinuity design, T, S, and X learners, propensity scores, doubly robust estimation, double ML, causal ML, dose-response curve estimation
• Identifizierung von Untergruppen
4. Kausalität und ML-Modellgeneralisierung
5. Kausalität und ML-Fairness
6. Kausalität und „erklärbare“ KI
7. Disentanglement and representation learning
8. Invariant feature learning, transportability
9. Kausalität und Zeit
