Los datos nos dicen el qué y siempre buscamos el por qué.
Descubriendo el qué y buscando el por qué la importancia de los datos.
“El Libro de Por Qué” Capítulos 1&2, una serie de Leer conmigo
En mi artículo anterior, inauguré el club de lectura “Leer conmigo” para explorar el libro “El Libro de Por Qué” de Judea Pearl. Me gustaría agradecer a todos aquellos que han mostrado interés y se han inscrito para unirse al club. Tengo la esperanza de que podamos embarcarnos en un viaje para profundizar nuestra comprensión de la causalidad mediante la lectura y el intercambio de ideas juntos. Después de dos semanas, como prometí, compartiré algunos puntos clave que saqué de los dos primeros capítulos.
En estos dos capítulos, Judea comienza explicando la Escala de Causalidad y revisa el desarrollo histórico de la teoría causal. Luego nos sumergiremos más en los tres niveles.
![La Escala de Causalidad referida de Judea Pearls](https://ai.miximages.com/miro.medium.com/v2/resize:fit:640/format:webp/0*lTJaZmpYYt7uSutq.png)
Nivel 1: Asociación
A principios de 1800, desde Galton hasta Pearson, mientras buscaban entender cómo los seres humanos heredaban rasgos genéticos, descubrieron que la correlación era suficiente en un sentido científico. Después de todo, “Los datos son todo lo que hay en la ciencia”. Para ellos, la causalidad es simplemente un caso especial de correlación que nunca se puede probar. Por otro lado, la correlación es lo suficientemente poderosa como para explicar por qué los hijos de padres más altos son más altos que el promedio de la población. Los modelos de pronóstico basados en correlación hacen predicciones identificando las variables más predictivas para el objetivo de interés, aunque en muchos casos puede no tener sentido. Por ejemplo, hay una fuerte correlación entre el consumo per cápita de chocolate de una nación y su número de ganadores del Premio Nobel. Aparentemente, comer más chocolate no te daría una mayor probabilidad de ganar un Premio Nobel y es más probable que la riqueza del país sea el factor confuso aquí. Podemos encontrar muchos ejemplos como este que no brindan información significativa ni científica. Cuando se le presentaron estos hallazgos, Pearson los descartó como meras correlaciones “espurias”.
Además de las correlaciones “espurias”, también es común encontrar correlaciones en la población que se invierten en subgrupos. Por ejemplo, al medir la correlación entre la longitud y anchura del cráneo, la correlación es insignificante cuando se mide por separado en grupos de hombres y mujeres. Sin embargo, es…
- Cómo pensamos sobre las tuberías de datos está cambiando
- 5 Mejores Herramientas de Representación de IA de Boceto a Imagen (Noviembre 2023)
- La Nueva Herramienta Próxima de Stability AI Utiliza IA para Generar Modelos 3D
We will continue to update Zepes; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- Brave presenta a Leo un asistente de inteligencia artificial que puede ayudar con todo tipo de tareas, incluyendo resúmenes en tiempo real de páginas web o videos.
- La IA generativa en Búsqueda se expande a más de 120 nuevos países y territorios
- Crea una tubería de inferencia de IA para imágenes médicas con MONAI Deploy en AWS
- Robots alimentados por 5G limpian los ríos de Singapur
- Cómo construir una detección de daños en vehículos impulsada por la visión por computadora
- James Evans, Fundador y CEO de CommandBar – Serie de Entrevistas
- Google AI presenta MetNet-3 Revolucionando la predicción del tiempo con modelos de redes neuronales