Judea Pearl y la causalidad (la ciencia de datos en sus personajes)
Alfonso Ruiz
Les damos la bienvenida a nuestro boletín BOURBAKISME, en esta ocasión hablaremos de Judea Pearl, quien es el padre de las Redes Bayesianas y ha dedicado buena parte de su trabajo a estudiar uno de los conceptos más esquivos para los matemáticos, a saber la causalidad.
Judea Pearl (1936)
Estudió ingeniería electrónica en los años 60 y actualmente es profesor en UCLA. En el 2011 recibió el premio Alan Turing el cual es el galardón más importante para los científicos de la computación, la cita del premio reza:
Por sus contribuciones fundamentales a la inteligencia artificial por medio del desarrollo de un cálculo probabilístico e inferencia causal.
Judea Pearl ha escrito numerosos artículos de investigación así como libros de texto, uno de ellos lo recomendamos en particular, Causality es una extraordinaria referencia con muchos ejemplos así como las definiciones matemáticas precisas.
Recientemente publicó un libro genial titulado The Book of Why, recomendamos a los lectores revisar esta entrevista en la que desgrana el contenido del libro. Para el Colegio de Matemáticas Bourbaki este libro es un must de los premios que le ofrecemos a nuestros alumnos.
Para conocer más sobre el pensamiento de Judea Pearl les recomendamos seguir tanto su blog llamado Causality in Practice como su cuenta de twitter.
Causalidad
La causalidad es un análogo asimétrico del concepto de correlación, esta última es una de las relaciones más importantes para los científicos de datos y en general para todos los analistas o científicos.
Decimos que dos muestreos (digamos numéricos) X e Y están positivamente (o negativamente) correlacionados cuando el aumento de uno implica el aumento del otro (disminución respectivamente). Notemos que en la manera como definimos la correlación, el orden en el que mencionamos a X e Y es indistinto.
Si analizamos la correlación desde un punto de vista físico en el que una familia de individuos X empujan a piezas de dominó Y, la simetría entre ambas familias no es realista en lo absoluto. El objetivo de la causalidad es desarrollar una teoría matemática que sustituya en la estadística la correlación por la causalidad.
El trabajo de Judea Pearl ha permitido que en la práctica se pueda estudiar la causalidad para resolver problemas reales. Un ejemplo notable es la importancia que tuvo (y posiblemente aún la tiene) para Microsoft la inferencia bayesiana estudiada por Pearl, de hecho el mismo Bill Gates describió a esta como el arma secreta de Microsoft.
Redes Bayesianas
Además de las numerosas ideas geniales de Judea Pearl, quizás su contribución técnica más importante son las redes bayesianas las cuales son utilizadas para estudiar la causalidad en problemas concretos.
Una red bayesiana se puede definir como un modelo probabilístico que explica las relaciones de independencia condicionales entre distintas variables. Las redes bayesianas son representadas por grafos dirigidos y acíclicos en las que cada nodo representa una de las variables que nos interesan.
En la actualidad, gracias a las redes bayesianas las computadoras son capaces de razonar de manera probabilística lo cual desde el punto de vista de Judea Pearl es parte fundamental para acercar a los modelos matemáticos a la inteligencia artificial.
La Ciencia de Datos en sus personajes
Periódicamente en este mismo boletín publicaremos esta serie en la que le pondremos nombres propios a los grandes avances de la Ciencia de Datos.
- David Donoho y la dispersión.
- Judea Pearl y la causalidad.
¿Sobre quién les gustaría leer? Agradecemos sus comentarios.
¿Dónde aprender más?
En el Colegio de Matemáticas Bourbaki ofrecemos cursos en ciencia de datos en los que se incluye el estudio de las Redes Bayesianas, nuestro curso se llama Matemáticas para la Ciencia de Datos, si desean conocer más detalles pueden descargar el brochure en esta liga.
Oferta académica
- Track de Ciencia de Datos. (49 semanas).
- Machine Learning & AI for the Working Analyst ( 12 semanas).
- Matemáticas para Ciencia de Datos ( 24 semanas).
- Especialización en Deep Learning. (12 semanas).
- Track de Finanzas Cuantitativas (49 semanas)
- Aplicaciones Financieras De Machine Learning E IA ( 12 semanas).
- Las matemáticas de los mercados financieros (24 semanas).
- Deep Learning for Finance (12 semanas).
