7,129
个编辑
更改
跳到导航
跳到搜索
第60行：
第60行： + + + + − 本节课程，将主要围绕逻辑斯谛方程（logistic equation），一种迭代函数，带领大家初步认识蝴蝶效应（butterfly effect），将讨论蝴蝶效应的影响，并深入探讨随机性（randomness）概念。+ + + + + + + + + + + 第72行：
第86行： − +
→编者推荐
== 编者推荐 ==
== 编者推荐 ==
===集智推荐===
===集智推荐===
====[https://campus.swarma.org/course/3224 “读书会”特邀专题报告：因果关系发现与因果性学习]====
在该课程中，蔡老师主要讲解了数据生成的因果视图和跨领域因果机制的适应的相关知识。
====[https://campus.swarma.org/course/1647 Chaos and the Butterfly Effect]====
====[https://campus.swarma.org/course/1647 Chaos and the Butterfly Effect]====
该课程主要围绕逻辑斯谛方程（logistic equation），一种迭代函数，带领大家初步认识蝴蝶效应（butterfly effect），将讨论蝴蝶效应的影响，并深入探讨随机性（randomness）概念。
====[https://campus.swarma.org/course/1985 因果科学与Causal AI 专题 | 集智凯风研读营2020]====
Judea Pearl 认为当下正在进行一场改变数据科学的新革命 --- ”因果革命“。因果革命和以数据为中心的第一次数据科学革命，也就是大数据革命（涉及机器学习，深度学习及其应用，例如Alpha-Go、语音识别、机器翻译、自动驾驶等等 ）的不同之处在于，它以科学为中心，涉及从数据到政策、可解释性、机制的泛化，再到一些社会科学中的基础概念归因和公平性， 甚至哲学中的创造性和自由意志 。可以说， 因果革命彻底改变了科学家处理因果问题的方式，形成了一门新学科—因果科学。因果推理和机器学习融合，构建具备果推理能力的 Causal AI 系统，是实现强人工智能的关键步骤。
#因果科学：Do-演算相关算法（李奉治）
#观测研究中的因果推断（况琨）
#教会机器因果推理的强人工智能之路（龚鹤扬）
#因果推断和机器学习的融合（郭若城）
#基于观测数据的因果发现及因果关系启发式机器学习（黄碧薇）
#量子因果（郭启淏）
----
----
本中文词条由[[用户:Henry|Henry]]翻译，[[用户:WildBoar|WildBoar]]，[[用户:薄荷|薄荷]]欢迎在讨论页面留言。
本中文词条由[[用户:Henry|Henry]]翻译，[[用户:WildBoar|WildBoar]]，[[用户:薄荷|薄荷]]编辑，欢迎在讨论页面留言。
'''本词条内容源自公开资料，遵守 CC3.0协议。'''
'''本词条内容源自公开资料，遵守 CC3.0协议。'''