Judea Pearl elected foreign member of the Royal Society
He was recognized for his fundamental contributions to artificial intelligence, particularly his pioneering work in causal reasoning.
Judea Pearl: Causal Reasoning, Counterfactuals, Bayesian Networks, and the Path to AGI
Judea Pearl 是加州大学洛杉矶分校的教授，也是图灵奖的获得者，该奖被公认为计算机界的诺贝尔奖。他是人工智能、计算机科学和统计学领域的开创性人物之一。他开发并倡导了人工智能的概率方法，包括贝叶斯网络和因果关系方面的深刻思想。这些思想不仅对人工智能很重要，而且对我们理解和实践科学也很重要。但在人工智能领域，对许多人来说，因果关系、因果关系的概念是目前缺失的核心，也是构建真正智能系统必须开发的核心。出于这个原因和其他许多原因，他的作品值得经常回顾。本次对话是人工智能播客的一部分。如果您想了解有关此播客的更多信息，请访问 https://lexfridman.com/ai 或在 Twitte
Marketing Mix Modeling (MMM): How to Avoid Biased Channel Estimates
了解在模型中应该考虑和不应该考虑哪些变量照片由 Fredrick Suwandi 在 Unsplash 上拍摄“在每个营销渠道上投资 X 美元将如何影响销售？”这是营销组合模型应该回答的因果问题，以指导公司决定未来如何分配其营销渠道预算。正如我们将看到的，这个问题的结果高度依赖于你考虑的变量：忽略重要变量或在模型中包含“错误”变量将引入偏差并导致错误的因果估计。这是一个巨大的问题，因为错误的因果估计最终会导致糟糕的营销决策和财务损失。在本文中，我想解决这个问题，并指导如何确定哪些变量应该和不应该在 MMM 中考虑，结构如下：在第 1 章中，我们将通过查看渠道估计值会根据您在模拟示例中考虑的变量
