O seminário é público e poderá ser assistido clicando no link  - https://teams.microsoft.com/l/meetup-join/19%3aQBM_F0IGE2Gx1OOACytv0hdI1Fs3vwu2gsE0tLRIXrc1%40thread.tacv2/1632769103980?context=%7b%22Tid%22%3a%22ec359ba1-630b-4d2b-b833-c8e6d48f8059%22%2c%22Oid%22%3a%22c7109bbd-b5ab-490f-8d83-ada97d5ede57%22%7d

 

Determinar relações de causa e efeito é um dos desafios fundamentais em todas as ciências empíricas. O padrão ouro para identificação de um efeito causal são os ensaios aleatorizados e controlados, que muitas vezes são caros, demorados e, às vezes, antiéticos. Por outro lado, mais e mais dados observacionais (não experimentais) vêm sendo coletados na tentativa de compreender os mecanismos por trás de um fenômeno complexo, incluindo processos biológicos, ambientais e sociais. Infelizmente, esses dados são observados em condições diversas (i.e., diferentes regimes, populações e técnicas de amostragem), criando diversos tipos de viéses que distorcem os resultados esperados para tomada de decisões. Note que métodos de inteligência artificial e de aprendizado de máquina da atual geração têm se sobressaído em problemas preditivos, mas a maioria deles falha em produzir qualquer tipo de explicação causal. Nesta palestra, farei uma introdução dos principais conceitos da teoria de causalidade desenvolvida por Judea Pearl, baseada em modelos gráficos probabilísticos, que nos permite identificar e generalizar efeitos causais não-viesados a partir de dados observacionais. Também mostrarei alguns dos recentes resultados desenvolvidos junto ao Causal AI Lab (Columbia University) para inferência causal e integração de dados.