# Kitap Rotası: Veri-Merkezli ML ve Nedensel Düşünme

Genel Harita Yorumlanabilirlik Veri ve Nedensellik Veri-Merkezli ML Counterfactual Nedensel Sezgi Shift ve Robustluk Gözetimsiz ve Ötesi

Kitap / Modelden Önce Veri, Korelasyondan Önce Müdahale

Modelin neden kırıldığını gördükten sonra sıradaki soru şudur: çözüm daha karmaşık model mi, yoksa daha iyi veri mi? Ve bir ilişki gözlüyor olmamız, gerçekten neden-etki gördüğümüz anlamına gelir mi? Bu rota veri kalitesini, karşı-olgusal düşünmeyi ve temel nedensel sezgiyi tek omurgada birleştirir.

## Neden Bu Bölüm Gerekli? - Birçok problemde asıl kazanım yeni mimariden değil, daha temiz ve daha kapsayıcı veriden gelir. - Hata analizi yaptıktan sonra “hangi veriyi düzeltmeliyim?” sorusu doğal olarak gelir. - Counterfactual düşünme, kararın neyle döneceğini birey düzeyinde görünür kılar. - Nedensel sezgi, gözlenen korelasyon ile gerçekten müdahale edince olacak şeyi ayırmaya yardım eder. ## Bu Projedeki Görsel Karşılıklar

Veri-Merkezli ML Etiket gürültüsü, kapsama ve az temsil edilen alt grupların kalitesi değiştikçe veri iyileştirmenin model büyütmekten ne zaman daha çok kazandırdığını gör. Canlı veri demosu

Counterfactual Düşünme Bir kararın dönmesi için hangi özelliğin ne kadar değişmesi gerektiğini birey düzeyinde incele. Canlı counterfactual demosu

Nedensel Sezgi Gözlemsel etki ile müdahale etkisinin neden ayrışabildiğini ve confounding yüzünden nasıl yanıltılabildiğini gör. Canlı nedensel demo

## Neden Yorumlanabilirlikten Sonra Geliyor? Çünkü önce modelin neye yaslandığını ve nerede kırıldığını fark edersin; ardından bunun veriden mi, karar kuralından mı, yoksa yanlış nedensel hikayeden mi kaynaklandığını anlamaya çalışırsın. Bu rota tam o teşhis-sonrası düşünme katmanıdır.

Bu Sayfa Veri-Merkezli ML Counterfactual Nedensel Sezgi Shift ve Robustluk Sonraki: Shift ve Robustluk