BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//datacraft - ECPv6.15.20//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:datacraft
X-ORIGINAL-URL:https://datacraft.paris
X-WR-CALDESC:Events for datacraft
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20230326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20231029T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20240331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20241027T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20240626T140000
DTEND;TZID=Europe/Paris:20240626T170000
DTSTAMP:20260510T041253
CREATED:20240516T154127Z
LAST-MODIFIED:20240614T151318Z
UID:11238-1719410400-1719421200@datacraft.paris
SUMMARY:Atelier - Causalité : L'inférence causale
DESCRIPTION:Inscription\n                \n            \n            \n			\n				\n				\n				\n				\n				Intervenants : \n\nMarianne Clausel\, professeur\, Université de Lorraine\nFabien Faivre\, Responsable R&D et Innovation Data\, MACIF\nGeorges Oppenheim\, Professeur\, Université Paris-Est Marne-la-Vallée\n\nPrérequis : \nNiveau en Machine Learning \nConnaissances de base en Machine Learning/DA/IA \nNiveau en Python \nBonnes connaissances en python \nPC portable pour la réalisation des travaux. Un environnement de travail sous Hfactory sera mis à disposition par datacraft \nPrésentation de l’atelier : \nCette session s’inscrit dans la poursuite d’un cycle sur la causalité initié en 2023 \nLe 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. \nLors 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. \nA 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. \nCette 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. \nIl 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 ! \nDéroulé : \n\nRappel des précédents ateliers : 14:00 – 14:30\nPrésentation des méthodes : 14:30 – 15:30\nIllustration par les participants sur un jeu de données public : 15:30 – 16:30\nRestitution et conclusion : 16:30-17:00
URL:https://datacraft.paris/event/atelier-causalite-linference-causale/
LOCATION:datacraft –\, 3 rue Rossini\, 75009 Paris\, France
ORGANIZER;CN="datacraft":MAILTO:contact@datacraft.paris
END:VEVENT
END:VCALENDAR