課程大綱

課程資訊

課程名稱	丈量社會：運用因果機器學習技術 Measuring Treatment Effects with Causal Machine Learning Techniques
開課學期	112-2
授課對象	社會科學院公共事務研究所
授課教師	王敏衡
課號	GIPA5022
課程識別碼	343 U0310
班次
學分	1.0
全/半年	半年
必/選修	選修
上課時間	星期四A,B(18:25~20:10)
上課地點	社科研607
備註	與盧秉謙合授限學士班三年級以上總人數上限：20人

課程簡介影片
核心能力關聯	核心能力與課程規劃關聯圖
課程大綱
為確保您我的權利,請尊重智慧財產權及不得非法影印
課程概述	機器學習等資料科學相關技術為目前行為與社會科學，甚至資訊科學的熱門議題，而因果推論更是政策評估之重要方法。本課程欲教授結合兩者之方法，例如 causal forest 或是 double machine learning 等模型，以及 variance reduction techniques 等技巧，希望能夠讓修課學生掌握此較新的工具來分析公共政策相關的資料。學期中也會有兩次邀請在美國任職的資深資料科學家，以及在美商顧問業任職於 Client Training Team的資料分析師，分別進行資料科學技巧與資料視覺化原則的授課（非演講性質）。本課程偏重實務應用與操作，若希望有更深入的理論基礎，會推薦修習其他類似課程。
課程目標	能讓公共事務所研究所的學生建立一定程度的因果推論與機器學習知識，並懂得依照不同的需求與情境，使用相關的工具來進行資料分析。 ● 具備基礎Python操作能力。 ● 具備運用Python處理資料的能力。 ● 瞭解資料分析或機器學習專案執行步驟。 ● 具備機器學習與因果推論基礎知識。 ● 具備之後將相關能力運用於研究或實務工作上之能力。
課程要求	1. 課堂出席率25%：可請假1次。（上課前） 2. 助教課出席率15%：可請假1次。（上課前） 3. 期末報告60%：運用課程所學，撰寫資料分析專題報告，並將程式、分析過程及結果分享於GitHub上。
預期每週課後學習時數
Office Hours
指定閱讀	待補
參考書目	Python and Machine Learning 1. McKinney, W. (2012). Python for data analysis: Data wrangling with Pandas, NumPy, and IPython. " O'Reilly Media, Inc.". 2. Harrison, M., & Petrou, T. (2020). Pandas 1. x Cookbook: Practical recipes for scientific computing, time series analysis, and exploratory data analysis using Python. Packt Publishing Ltd. 3. Geron, A. (2022). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow. " O'Reilly Media, Inc.". Causal Inference 1. Cunningham, S. (2021). Causal inference: The mixtape. Yale university press. 2. Facure, M. (2023). Causal Inference in Python. " O'Reilly Media, Inc.".
評量方式 (僅供參考)

課程進度

週次	日期	單元主題
第1週	3/14	Week 1: Introduction to machine learning I Machine Learning Applications What is Machine Learning? The Life Cycle of Machine Learning Projects scoping data preparation modeling and evaluation serving monitoring Data Science Roadmaps & Learning Resources
第2週	3/21	Week 2: Introduction to Machine Learning II Model Training Basics Bias-variance Trade-off Train-test Split Hyperparameter Tuning Model Validation The Components of Machine Learning Machine Learning Algorithm Learning Objective Optimization Strategies Performance Metrics
第3週	3/28	Week 3: Introduction to Machine Learning III and Causal Inference 101 Hyperparameter Optimization Grid Search Randomized Search Bayesian Approach Model Explainability Feature Importance Shapley Value and SHAP Potential Outcome Model ATE, ATT and Bias Key Assumptions for Causal Inference from Experimental data observational data Confoundedness, Self-selection, and Multicollinearity
第4週	4/11	Week 4: Guest Lecture: Principles of Data Visualization By Multinational Company Client Training Team Data Analyst, Victoria Yang
第5週	4/18	Week 5: Guest Lecture: For More Efficient Experiments: Variance Reduction, Quantile Treatment Effect and Bootstrap By Realtor.com Senior Data Scientist, Ying-Kai Huang
第6週	4/25	Week 6: Tackling Measured / Unmeasured Confounding Matching Methods Instrument Variable, IV Forest Double Machine Learning
第7週	5/02	Week 7: Causal Mediation: Seeking Mechanism Total, Direct, and Indirect Effects
第8週	5/09	Week 8: Targeting the Right People Honest Causal Trees/Forest Heterogeneous Treatment Effects