Intervenants :

• Marianne Clausel, professeur, Université de Lorraine
• Fabien Faivre, Responsable R&D et Innovation Data, MACIF
• Georges Oppenheim, Professeur, Université Paris-Est Marne-la-Vallée

Prérequis :

Niveau en Machine Learning

Connaissances de base en Machine Learning/DA/IA

Niveau en Python

Bonnes connaissances en python

PC portable pour la réalisation des travaux. Un environnement de travail sous Hfactory sera mis à disposition par datacraft

Présentation de l’atelier :

Cette session s’inscrit dans la poursuite d’un cycle sur la causalité initié en 2023

Le premier atelier a introduit le concept de causalité et sa formalisation. Des domaines d’applications ont été évoqués et le principe de mise en oeuvre dans le cadre d’une relation linéaire entre les variables a été illustré au travers du framework DoWhy.

Lors du deuxième atelier, nous avons discuté de la possibilité de proposer des graphs causaux permettant de combiner avis d’expert et compatibilité avec le jeu de données collectées.

A l’occasion de ce troisième atelier, nous partirons d’un graph causal supposé pour estimer la forme et l’intensité de la relation causale entre un traitement et une réponse. Cette session se focalisera sur les approches issues du Machine Learning pour généraliser l’estimation linéaire introduite lors du premier atelier.

Cette session introduira notamment plusieurs approches tirant parti du Machine Learning pour plus de souplesse dans la forme de la réponse : S, T, X, R-learner et Causal Forest.

Il n’est pas nécessaire d’avoir assisté aux 2 premiers ateliers pour participer à celui-ci. Néanmoins si vous souhaitez les consulter, une synthèse est disponible sur le site de datacraft, lien ici !

Déroulé :

• Rappel des précédents ateliers : 14:00 – 14:30
• Présentation des méthodes : 14:30 – 15:30
• Illustration par les participants sur un jeu de données public : 15:30 – 16:30
• Restitution et conclusion : 16:30-17:00