Kausalität scheint menschliches Denken oft zu überfordern, für die häufigsten Fehlschlüsse bei der kausalen Interpretation von Statistiken gibt es inzwischen anschauliche Literatur [1].

Auf der anderen Seite tut sich künstliche Intelligenz erst recht schwer mit Kausalität und lernt bis heute im Wesentlichen statistische Zusammenhänge, obwohl viele KI-Forscher heute davon ausgehen, dass KI durch kausales Lernen flexibler würde. Immerhin gibt es Hinweise dafür, dass Menschen – trotz aller Fehlschlüsse – für Kausalität immer noch eine bessere Intuition haben als für Wahrscheinlichkeiten [4].

Das Seminar behandelt verschiedene moderne Ansätze aus dem maschinellen Lernen zum Lernen von Ursache-Wirkungs-Zusammenhängen anhand statistischer Daten. Es richtet sich an Studierende der Informatik, aber auch anderer Fächer soweit guter mathematischer Hintergrund und Interesse vorhanden ist (z.B. Mathematik Physik, Psychologie). Grundbegriffe der Wahrscheinlichkeitstheorie werden vorausgesetzt.

[1] H.H. Dubben, H.P. Beck-Bornholdt: Der Hund, der Eier legt, 2006.

[2] J. Pearl: Causality, 2000.

[3] J. Peters, D. Janzing, B. Schölkopf: Elements of Causal Inference, 2017. Als pdf frei verfügbar:

https://mitpress.mit.edu/books/elements-causal-inference

[4] J. Pearl: The Book of Why, 2018

Email: nicht janzing@amazon.de, sondern ersetze ‘g’ durch ‘d’.

Webseite: https://janzing.github.io