Text

Practical Approaches to Causal Relationship Exploration

---

Penemuan kausal bertujuan untuk menemukan hubungan sebab-akibat antar variabel. Hubungan tersebut memberikan penjelasan tentang bagaimana peristiwa telah terjadi dan prediksi peristiwa mana yang akan terjadi di masa depan. Kausalitas telah dipelajari dan digunakan di hampir semua disiplin ilmu, misalnya kedokteran, epidemiologi, biologi, ekonomi, fisika, ilmu sosial, sebagai dasar penjelasan, prediksi, dan pengambilan keputusan. Uji coba terkontrol secara acak adalah standar emas untuk menemukan hubungan sebab akibat. Namun, dalam banyak kasus tidak mungkin untuk melakukan uji coba terkontrol secara acak karena masalah biaya, kelayakan, dan / atau etika. Dengan ledakan cepat data yang dikumpulkan di berbagai bidang, diharapkan untuk menemukan hubungan sebab akibat dalam data observasi. Penemuan kausal dalam data tidak hanya mengurangi biaya untuk banyak eksplorasi ilmiah dan membantu pengambilan keputusan, tetapi yang terpenting, ini juga membantu mendeteksi sinyal penting dalam data yang mungkin tidak diidentifikasi oleh pakar domain untuk mencegah konsekuensi serius. Selain itu, data memberikan peluang besar untuk penemuan dan eksplorasi kausal otomatis dengan memanfaatkan metode komputasi baru yang ada dan berkembang. Pencapaian signifikan dalam pemodelan kausal dan inferensi telah dicapai dalam berbagai disiplin ilmu. Studi observasional telah lama digunakan dalam penelitian medis untuk mengidentifikasi faktor penyebab penyakit. Model kausal, seperti model persamaan struktural dan model hasil potensial, telah digunakan di berbagai bidang. Dalam ilmu komputer, penemuan kausal berdasarkan model grafis telah membuat pencapaian teoretis yang signifikan dalam 30 tahun terakhir. Namun, masih ada kekurangan metode praktis untuk penemuan kausal dalam kumpulan data yang besar. Sebagian besar pendekatan yang ada didorong oleh hipotesis atau tidak dapat menangani kumpulan data yang besar. Penemuan kausal dalam buku ini mengacu pada eksplorasi otomatis faktor-faktor penyebab dalam kumpulan data besar tanpa hipotesis pakar domain (pakar domain mungkin tidak tahu apa yang diharapkan). Metode yang lebih efisien diperlukan untuk menangani berbagai jenis data dan aplikasi untuk tujuan ini. Kami bertujuan untuk memperkenalkan empat metode penemuan kausal praktis bagi para praktisi untuk menambang pengumpulan data mereka yang terus meningkat untuk informasi kausal. Kami menjelaskan mekanisme metode dan memberikan demonstrasi untuk penggunaan metode tersebut. Alat perangkat lunak yang relevan dapat ditemukan di halaman beranda penulisnya. Perhatikan bahwa kesimpulan kausal tidak dijamin dengan menggunakan metode karena kumpulan data mungkin tidak memenuhi asumsi metode tersebut, yang mencakup heuristik itu sendiri. Namun, metode dalam buku ini memiliki keunggulan besar dibandingkan pendekatan penambangan data atau pembelajaran mesin lainnya untuk eksplorasi hubungan. Metode ini mendeteksi hubungan antara dua variabel dengan mempertimbangkan variabel lain, dan pertimbangan ini membuat hubungan yang ditemukan cenderung tidak palsu atau tidak stabil. Kami juga bertujuan untuk berbagi pemahaman kami dalam penemuan kausal dengan rekan peneliti kami. Penemuan kausal adalah tujuan untuk eksplorasi ilmiah, dan penemuan kausal dalam data adalah apa yang dapat disumbangkan oleh para peneliti komputasi kepada masyarakat kita. Meskipun dapat diperdebatkan apakah kausalitas dapat didefinisikan atau dapat ditemukan dalam data, upaya penelitian dalam berbagai disiplin ilmu telah membuat kemajuan yang signifikan dalam teori pemodelan dan inferensi kausal, yang telah menunjukkan penerapan yang menjanjikan dalam klasifikasi dan prediksi. Sudah waktunya bagi para peneliti penambangan data dan pembelajaran mesin untuk menuai hasil teoretis dan merancang algoritme yang efisien dan praktis untuk eksplorasi hubungan sebab akibat skala besar. Dalam buku ini, kami mengkarakterisasi penemuan kausal sebagai masalah pencarian-mencari asosiasi yang terus-menerus. Karakterisasi ini diharapkan membuka jalan singkat bagi para peneliti penambangan data dan pembelajaran mesin untuk merancang algoritme yang lebih efisien untuk penemuan kausal dengan data besar. Buku ini juga berguna bagi siswa yang ingin meningkatkan pengetahuan mereka di bidang penelitian dan aplikasi yang sedang berkembang ini. Penemuan kausal adalah topik disiplin yang benar-benar beragam. Kami tidak mengasumsikan pengetahuan pembaca di bidang tertentu. Kami mencoba menjelaskan konsep dan teknik dengan jelas dan menggunakan contoh sebanyak mungkin. Kami berharap semua pembaca, terlepas dari latar belakang pengetahuannya, dapat memperoleh beberapa manfaat dengan membaca buku ini. Kami berterima kasih kepada editor Springer, Melissa Fearon dan Jennifer Malat, atas apresiasi ide kami dan dukungan kami dalam penulisan buku ini. Kami juga berterima kasih kepada Dewan Riset Australia atas dukungannya atas pekerjaan kami di bidang penting ini. Buku ini tidak akan mungkin tanpa dukungan dari kolaborator kami, dan di sini kami hanya menyebutkan beberapa: Jixue Liu, Zhou Jin, Bing-yu Sun, dan Rujing Wang. Implementasi dan eksperimen algoritma telah dibantu oleh Xin Zhu, Saisai Ma dan Shu Hu. Tentu saja, dukungan yang tak henti-hentinya dari keluarga kami sangat penting bagi kami, dan rasa terima kasih kami tidak dapat diungkapkan dengan kata-kata.

---

Availability

No copy data

Detail Information

Series Title

SpringerBriefs in Electrical and Computer Engineering

Call Number

006.31 LIU p

Publisher

Adelaide, South Australia : Springer International Publishing., 2015

Collation

-

Language

English

ISBN/ISSN

978-3-319-14433-7

Classification

006.31

Content Type

text

Media Type

computer

Carrier Type

online resource

Edition

-

Subject(s)

Mesin Pembelajar
Algoritma Genetika

Specific Detail Info

-

Statement of Responsibility

Lin Liu, Thuc Duy Le, Jiuyong Li

Other Information

Cataloger

Erwin

Source

https://link.springer.com/10.1007/978-3-319-14433-7

Validator

-

Digital Object Identifier (DOI)

-

Journal Volume

-

Journal Issue

-

Subtitle

-

Parallel Title

-

Other version/related

File Attachment

Comments

---

You must be logged in to post a comment