Causal Inference / Suy luận Nhân quả

📖 Causal Inference

Definition (English):

Causal inference determines cause-effect relationships from data, going beyond correlation. It uses the potential outcomes framework (Rubin Causal Model) or structural causal models (Pearl). Key concepts: counterfactuals (what would have happened), do-calculus (intervention), backdoor criterion (confounding adjustment). Applications: A/B testing, policy evaluation, medical treatment effects, fair ML.

📖 Suy luận Nhân quả

Định nghĩa (Tiếng Việt):

Suy luận nhân quả xác định mối quan hệ nguyên nhân-kết quả từ dữ liệu, vượt qua tương quan. Nó sử dụng khung kết quả tiềm năng (Rubin Causal Model) hoặc mô hình nhân quả cấu trúc (Pearl). Khái niệm chính: counterfactual (cái gì đã xảy ra nếu), do-calculus (can thiệp), tiêu chuẩn backdoor (điều chỉnh biến nhiễu). Ứng dụng: A/B testing, đánh giá chính sách, tác động điều trị y tế, ML công bằng.

📂 Phân loại: Causal AI