"두 번 빼면 인과가 보인다"는 고전적 직관에서 출발해, 머신러닝·딥러닝이 인과추론과 결합하는 일곱 갈래를 끝까지 따라간다. 각 장은 독립된 강의자료로, 해설·실습·퀴즈·원문 출처를 갖춘 단일 HTML 파일이다.
본편에 앞서 읽는 딥러닝의 역사. 인과추론과 별개로도 완결된 자료다.
식별의 논리를 한 방법에서 깊게 익힌다. 여기서 배운 언어가 시리즈 전체의 문법이 된다.
반사실 예측, 이질적 효과, 그리고 ML을 써도 신뢰구간이 무너지지 않게 하는 배관 공사.
그래프 자체를 배우고, 표가 아닌 데이터를 변수로 쓰고, 시간에 따라 변하는 처치를 다룬다.
관측만으로는 마르코프 동치류까지가 상한이다. NOTEARS가 푼 것은 탐색의 계산 문제이지 식별의 통계 문제가 아니다.
→ 09텍스트·이미지·궤적이 인과 문제의 어느 자리(교란·결과·처치)에 서는지가 설계 전부를 결정한다.
→ 10중간 상태는 교란요인이자 매개변수다. 넣어도 틀리고 빼도 틀린다. 그래서 세 갈래의 우회로가 필요하다.
→ 11식별 → 추정 → 반박의 3단계를 코드로 강제하는 워크플로. 6주 세미나 일정과 기말 과제까지.
일곱 계열은 경쟁 관계가 아니라 서로 다른 질문에 답하는 도구다. 질문이 방법을 결정한다.
딥러닝은 "무엇과 무엇을 비교해야 인과가 드러나는가"라는 식별 문제를 풀어주지 않는다. 식별은 연구 설계와 가정의 몫이고, 딥러닝은 그 설계 안에서 예측과 추정을 더 유연하게 만들 뿐이다.
그래서 모든 장에서 같은 질문을 반복한다. 이 방법은 무엇을 가정하는가, 그 대가로 무엇을 얻는가, 그리고 가정이 무너지면 어떻게 무너지는가.