Обсуждение:Причинное машинное обучение

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
(Новая: == Промпт == '''Модель:''' GPT-5.6 Terra High. <pre> Ты — научный редактор русскоязычной энциклопедии MachineLearning.ru, спе...)
 
(2 промежуточные версии не показаны)
Строка 1: Строка 1:
-
== Промпт ==
+
== О подготовке статьи ==
-
'''Модель:''' GPT-5.6 Terra High.
+
Статья «Причинное машинное обучение» была подготовлена с помощью '''GPT-5.6 Terra High'''. Я хотел сделать не короткое определение, а нормальную энциклопедическую статью: чтобы студент понял, зачем вообще нужен причинный подход, а человек с опытом в ML нашёл формулы, методы и хорошие источники.
-
<pre>
+
Первый запрос был таким:
-
Ты — научный редактор русскоязычной энциклопедии MachineLearning.ru, специалист по причинному выводу, статистике и машинному обучению.
+
-
Подготовь полноценную новую энциклопедическую статью на русском языке «Причинное машинное обучение». Статья должна быть содержательной, технически точной, написанной живым академическим языком и выглядеть как текст, который мог подготовить эксперт после ручной редакторской проверки.
+
{{well|
 +
Ты хорошо разбираешься в машинном обучении, статистике и причинном выводе. Напиши подробную энциклопедическую статью для MachineLearning.ru про причинное машинное обучение (causal machine learning) на русском языке.
-
Целевая аудитория:
+
Начни с простой мотивации: почему модель, которая умеет предсказывать, ещё не умеет отвечать на вопрос о последствиях вмешательства. Потом постепенно перейди к более формальной части.
-
1. студент, знакомый с основами теории вероятностей и машинного обучения;
+
-
2. практикующий ML-специалист, которому нужны формальные определения, ограничения методов и ссылки на научные источники.
+
-
Раскрой следующие темы:
+
Объясни разницу между обычным предсказанием, вмешательством и контрфактическим вопросом. Расскажи про причинные графы, структурные причинные модели, конфаундеры, потенциальные исходы Y(1) и Y(0), ATE, ATT, CATE, propensity score, причинные леса и causal discovery. Покажи, где такие методы реально применяются и какие у них есть ограничения.
-
- различие между предиктивной вероятностью P(Y | X=x), интервенционным запросом P(Y | do(X=x)) и контрфактическим рассуждением;
+
-
- структурные причинные модели, ориентированные причинные графы, конфаундеры, медиаторы и коллайдеры;
+
-
- модель потенциальных исходов Y(1) и Y(0), ATE, ATT, CATE и ITE;
+
-
- условия идентификации: согласованность, отсутствие неучтённого смешения, позитивность и отсутствие интерференции;
+
-
- критерий задней двери и формулу корректировки;
+
-
- рандомизированные эксперименты, matching, propensity score, inverse probability weighting, двойную устойчивость и double machine learning;
+
-
- причинные леса и оценку гетерогенных эффектов;
+
-
- causal discovery, его возможности и принципиальные ограничения;
+
-
- causal representation learning, переносимость и обобщение вне распределения;
+
-
- практические области применения, риски, ограничения и связь с философией искусственного интеллекта.
+
-
Требования к оформлению MachineLearning.ru:
+
Статья должна быть понятной студенту, но не примитивной. Добавь внутренние ссылки на связанные статьи, реальные научные источники и список литературы. Не выдумывай факты, результаты исследований, авторов и DOI.
-
- используй MediaWiki-разметку;
+
-
- начни с шаблонов {{well|...}} и {{TOCright}};
+
-
- используй логичную структуру из разделов и подразделов;
+
-
- для математических формул используй ТОЛЬКО теги <tex>...</tex>, а не <math>...</math>;
+
-
- выключные формулы оформляй двойным отступом через ::;
+
-
- добавь внутренние ссылки на релевантные понятия вики;
+
-
- добавь разделы «См. также», «Примечания» с {{примечания}} и «Литература»;
+
-
- оформляй источники через <ref> и шаблоны {{книга}} или {{статья}};
+
-
- добавь существующую категорию [[Категория:Искусственный интеллект]].
+
-
Требования к качеству:
+
Используй обычную вики-разметку MachineLearning.ru. Формулы пиши через &lt;tex&gt; и &lt;/tex&gt;; отдельные формулы выделяй двойным отступом через два двоеточия.
-
- не выдумывай источники, авторов, DOI, эксперименты, результаты или числа;
+
}}
-
- используй только реальные академические источники: Pearl, Hernán и Robins, Peters–Janzing–Schölkopf, Chernozhukov et al., Wager–Athey, Schölkopf et al.;
+
 
-
- объясняй материал сначала интуитивно, затем формально;
+
После первого черновика стало понятно, что статью нужно сделать более технической и поправить разметку формул: теги &lt;math&gt; на MachineLearning.ru не работают, здесь нужен синтаксис &lt;tex&gt;.
-
- не подменяй причинность корреляцией;
+
 
-
- явно указывай предположения и границы применимости каждого метода;
+
Поэтому я сделал второй запрос:
-
- не рекламируй продукты и не используй шаблонные общие фразы;
+
 
-
- итоговый текст должен быть достаточно подробным для энциклопедической статьи, а не краткой заметки.
+
{{well|
-
</pre>
+
Статья в целом получилась хорошей, но перепиши и доработай её как научный редактор.
 +
 
 +
Добавь отдельный раздел про условия идентификации причинного эффекта: согласованность, отсутствие неучтённого смешения, позитивность и отсутствие интерференции. Объясни критерий задней двери и приведи формулу корректировки.
 +
 
 +
Расширь раздел про практические методы: matching, propensity score, inverse probability weighting, двойную устойчивость, double machine learning и причинные леса для оценки CATE. Отдельно и аккуратно объясни, почему causal discovery не может автоматически восстановить направление причинности из любой таблицы наблюдений.
 +
 
 +
Для важных редких терминов указывай английское название в скобках. Не растягивай текст пустыми общими фразами, не рекламируй продукты и не придумывай источники. Оставь текст живым и энциклопедическим, а не похожим на шаблонный ответ нейросети.
 +
 
 +
Проверь всю разметку: вместо &lt;math&gt;...&lt;/math&gt; используй &lt;tex&gt;...&lt;/tex&gt;. Для отдельных формул ставь перед строкой два двоеточия. Верни готовую статью целиком.
 +
}}
 +
 
 +
После этого были исправлены формулы, расширены разделы об идентификации причинного эффекта и современных методах, добавлены внутренние ссылки и научная литература.

Текущая версия

О подготовке статьи

Статья «Причинное машинное обучение» была подготовлена с помощью GPT-5.6 Terra High. Я хотел сделать не короткое определение, а нормальную энциклопедическую статью: чтобы студент понял, зачем вообще нужен причинный подход, а человек с опытом в ML нашёл формулы, методы и хорошие источники.

Первый запрос был таким:


Ты хорошо разбираешься в машинном обучении, статистике и причинном выводе. Напиши подробную энциклопедическую статью для MachineLearning.ru про причинное машинное обучение (causal machine learning) на русском языке.

Начни с простой мотивации: почему модель, которая умеет предсказывать, ещё не умеет отвечать на вопрос о последствиях вмешательства. Потом постепенно перейди к более формальной части.

Объясни разницу между обычным предсказанием, вмешательством и контрфактическим вопросом. Расскажи про причинные графы, структурные причинные модели, конфаундеры, потенциальные исходы Y(1) и Y(0), ATE, ATT, CATE, propensity score, причинные леса и causal discovery. Покажи, где такие методы реально применяются и какие у них есть ограничения.

Статья должна быть понятной студенту, но не примитивной. Добавь внутренние ссылки на связанные статьи, реальные научные источники и список литературы. Не выдумывай факты, результаты исследований, авторов и DOI.

Используй обычную вики-разметку MachineLearning.ru. Формулы пиши через <tex> и </tex>; отдельные формулы выделяй двойным отступом через два двоеточия.


После первого черновика стало понятно, что статью нужно сделать более технической и поправить разметку формул: теги <math> на MachineLearning.ru не работают, здесь нужен синтаксис <tex>.

Поэтому я сделал второй запрос:


Статья в целом получилась хорошей, но перепиши и доработай её как научный редактор.

Добавь отдельный раздел про условия идентификации причинного эффекта: согласованность, отсутствие неучтённого смешения, позитивность и отсутствие интерференции. Объясни критерий задней двери и приведи формулу корректировки.

Расширь раздел про практические методы: matching, propensity score, inverse probability weighting, двойную устойчивость, double machine learning и причинные леса для оценки CATE. Отдельно и аккуратно объясни, почему causal discovery не может автоматически восстановить направление причинности из любой таблицы наблюдений.

Для важных редких терминов указывай английское название в скобках. Не растягивай текст пустыми общими фразами, не рекламируй продукты и не придумывай источники. Оставь текст живым и энциклопедическим, а не похожим на шаблонный ответ нейросети.

Проверь всю разметку: вместо <math>...</math> используй <tex>...</tex>. Для отдельных формул ставь перед строкой два двоеточия. Верни готовую статью целиком.


После этого были исправлены формулы, расширены разделы об идентификации причинного эффекта и современных методах, добавлены внутренние ссылки и научная литература.

Источник — «http://machinelearning.ru/wiki/index.php?title=%D0%9E%D0%B1%D1%81%D1%83%D0%B6%D0%B4%D0%B5%D0%BD%D0%B8%D0%B5:%D0%9F%D1%80%D0%B8%D1%87%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5»