CAUSAL MACHINE LEARNING – was ist das genau und wofür braucht man es?

- Dr. Theo SteiningerCo-Founder & CEO at Erium
- Dr. Maksim GreinerCo-Founder & CTO at Erium
Overview
In this opening episode of the fourth season of the Erium Podcast, Theo Steininger and Maksim Greiner introduce the central theme of the new season: Causal Machine Learning and Causal Inference. They explain clearly what causal reasoning differs from classical correlation-based statistics, why this difference is crucial in practice, and which three types of questions can be answered with Causal Inference.
Summary
Launch of Season 4 and a Look Back at Previous Seasons
The episode begins with a brief overview: Season 1 was theory-driven, Season 2 portrayed real-life data scientists, and Season 3 followed a fictional data scientist named Erika through a complete data science project. Alongside the third season, a weekly Data Science meet-up in Munich was launched, which the hosts are continuing. Theo and Maxim also bid farewell to former host Jago, who served as the creative force behind the podcast as a working student for three seasons and is now focusing on his master's thesis.
What Is Causal Inference – and Why Does It Matter?
Causal Inference is concerned not just with observing relationships, but with understanding the actual mechanisms behind those relationships. Maxim explains that Erium as a company has always aimed not only to understand processes but to actively optimize them – that is, to intervene in systems. It is precisely this act of intervening – the so-called intervention – where purely correlation-based analyses can lead us astray. Theo describes his own 'eye-opening' moment: as soon as you want to derive an action from an analysis, you are in the realm of intervention – and correlation alone is no longer sufficient.
The Horse Example: Correlation vs. Causation
The central illustrative example is the observation that horse owners have an above-average life expectancy. Based on this correlation, one might be tempted to believe that receiving a horse as a gift would extend one's life. The hosts work through three possible causal structures: the horse itself could increase life expectancy (e.g. through stress reduction); a long lifespan could eventually lead someone to acquire a horse; or – most likely – a common factor such as wealth causes both horse ownership and higher life expectancy. The key point: for pure prediction, the direction of causality often does not matter, but for a planned intervention it does.
The Human Tendency to Over-Interpret Causality
The hosts discuss how humans naturally tend to 'overfit' causality – quickly constructing causal explanations from observations even when none exist. Theo cites a study in which participants in a room had to figure out how to make a small light turn on – even though a random generator was behind it. The participants nonetheless developed complex 'rituals' and continued to believe in them even after the setup was revealed. Statistics delivers correlations, and humans interpret them causally: according to Maxim, this combination is potentially dangerous and is what makes formal methods of causal reasoning so valuable.
The Three Core Question Types of Causal Inference
Maxim structures the application areas of Causal Inference into three categories. First: 'What if?' – intervention questions: what happens when I actively intervene in a system? Second: 'What would have happened if?' – counterfactual questions about events that have already occurred, e.g. whether someone would have developed lung cancer even without smoking. Third: the clarification and quantification of causal relationships themselves – that is: which factors are actually responsible for a given event, and how strong is their influence? All three question types go beyond the scope of classical statistics, but do not require an entirely new branch of mathematics.
Outlook: What's Coming in the Next Episodes?
The hosts announce that upcoming episodes will dive deeper into the topic – with more realistic and less obvious use cases than the horse example. A particular goal is to demystify the technical jargon of the field (such as 'counterfactual' or 'do-calculus'), so that listeners can engage confidently and not be intimidated by buzzwords. The weekly Data Science meet-up in Munich is also recommended as a complementary format, taking place every Tuesday from 4 to 5 p.m.
Key takeaways
- Causal Inference goes beyond classical correlation analysis: it is about understanding the actual mechanisms at work, not merely describing statistical relationships.
- As soon as you want to derive an action or intervention from a data analysis, causality becomes critical – pure correlation can then systematically lead you astray.
- Humans tend to construct causal explanations from observations even when none exist – formal causal models help to keep this bias in check.
- Causal Inference distinguishes three types of questions: intervention questions ('What if?'), counterfactual questions ('What would have happened if?'), and the quantification of causal relationships.
- The mathematics behind Causal Inference is not an entirely new discipline, but an extension of familiar statistical methods – supplemented by graph theory and clear rules of interpretation.
- Season 4 of the Erium Podcast is dedicated entirely to the topic of Causal Machine Learning and promises practical use cases that go beyond the usual textbook examples.
Conclusion
Causal Machine Learning is not a buzzword but a necessary extension of the data science toolkit – especially when analyses are meant not just to describe, but to serve as the basis for decisions and interventions. In this introductory episode, Theo and Maxim make clear that the topic is more accessible than its reputation suggests, and they provide a vivid illustration of the core idea through the horse example.
For Data Scientists and ML Practitioners
Those already familiar with statistics and machine learning will find Causal Inference to be a natural extension. The episode provides a clear overview of which new types of questions can be addressed with it.
For Executives and Business Decision-Makers
Anyone who makes data-driven decisions and derives recommendations for action from analyses should understand the difference between correlation and causation – this episode explains it in a practical way, without unnecessary technical complexity.
Show full transcript
Speaker0: Alright okay genau jetzt dürfte aufnehmen jetzt sehe ich auch es ist Season 4 Episode one dot one ich dachte so Episode 11 nee
Speaker1: nee 1 Punkt 1, genau, weil erster Take. Aber Technical Kelly ist das jetzt schon der 2. Take, egal. Na, wir zählen natürlich von 0 an.
Speaker0: Ach so. Ja, aber komm on, wo sind wir denn hier? Machen wir etwa Matlab? Und erzählen die noch von 0, ich weiß von 1. Auf jeden
Speaker1: Fall. In Mathematiker wird aber 1 gezählt. Anyways. Gut, super.
Speaker2: Ihr hört The IRIUM Podcast, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: Herzlich willkommen zu 1 neuen Folge von be-e-e-e-Podcast. Mein Name ist Theo Steininger und mir remote. Gegenüber sitzt mein geschätzter Kollege Maxim Greiner. Hi, Max. Hallo. Gleich zu Beginn haben wir eine gute und eine schlechte Nachricht für euch. Die gute zuerst. Heute geht es endlich mit der vierten Staffel von Deereom Podcast los. Wir haben exzellenten Content für euch vorbereitet und auch wieder einige superstarke Gäste im petto. Dazu aber später mehr. Die schlechte Nachricht ist allerdings, dass offensichtlicherweise unser bisheriger Host, der Jago, nicht mehr mit am Start ist. Er war jetzt 3 Staffeln lang die entscheidende, treibende und kreative Kraft hinterm, die ihrem Podcast. Und was aber viele wahrscheinlich gar nicht so aktiv und richtig mitgekriegt haben, Er hat das alles in Form von der Werkstudentendentätigkeit bei uns hingekriegt. Und nachdem jetzt die Masterarbeit bei ihm ansteht, fielen die Entscheidungen dann doch zugunsten der Uni, kann man sich so was vorstellen.
Speaker0: Ja, unglaublich.
Speaker1: Na ja, an der Stelle auf jeden Fall Jaguar, nochmals vielen Dank für die tolle gemeinsame Zeit und wir wünschen dir ganz viel Erfolg mit der Masterarbeit und hoffentlich und vielleicht sehen wir uns in der Staffel 5 wieder. Apropos Staffeln, für alle, die jetzt neu im Podcast mit dabei sind, die grade erst frisch reinhören, wenn ihr die bisherigen durch die Folgen des Podcasts durchschaut, dann wird euch eine Gliederung auffallen, die folgendermaßen gestrickt ist. Ich erklär das ganz kurz, damit ihr euch dazu rechtfindet. Nämlich in der Staffel 1 haben wir vor allem Theorie behandelt. In Staffel 2 haben wir dann eine 180 Grad Wende da eingelegt, haben die Theorie Theorie sein lassen und haben Data Scientist interviewt und haben dort ganz klar den Fokus auf deren Persönlichkeiten gelegt, möglichst breites Bild auch zu zeichnen, was gibt's für Persönlichkeitsprofile da draußen bei den Data Scientisten? Wie schauen die verschiedenen Berufe aus? Und in Staffel 3, die wir jetzt erst kürzlich eben durchgezogen haben, da haben wir uns eine fiktive Data Scientistin, nämlich die Erika angeguckt und die durch ein Data Science Data Science Projekt begleitet. Und da jeweils bei den jeweiligen Stationen externe Spezialisten mit dazuholt, die wir dann genau zu dem Thema, zum Beispiel Ergebnispräsentation, Visualisierung mit eingebunden haben, befragt haben. Und da haben wir uns gedacht gehabt, hey, wie cool wär's eigentlich, wenn man mit diesen Experten dann noch in den Austausch kommen könnte und haben in diesem Zuge auch ein Meet-up gegründet. Das ist das Data Science Meet-up, das ihr auf Meet-up dot com mal ganz einfach findet, wenn ihr nach Data Science in München sucht. Und dieses Meet-up führen wir fort, ja? Also auch wenn jetzt die 3. Staffel abgeschlossen ist und wir jetzt nicht mehr in jeder folgenden externen Gast mit drin haben, so haben wir doch jeden Dienstag nach wie vor unseren Meet-up mit 'nem externen Gast. Und da an der Stelle gleich mal die Einladung, wer Bock hat, noch mehr sich reinzuziehen als nur diesen Podcast, der darf auch gerne jeden Dienstag 16 Uhr mit ins E-Mail-up reinkommen. Da freuen wir uns über jeden, der da mal reinhören möchte und auch 'n guten Beitrag
Speaker0: beisteuern möchte. Auf jeden Fall, ja.
Speaker1: Jo, und damit zur Frage, womit wollen wir uns in der Staffel 4 beschäftigen? Wir haben da sehr stark noch mal die bisherigen Folgen analysiert und uns überlegt, wo die Reise hingehen könnte. Und das Leitthema der vierten Staffel ist Castle and Feerence, sprich, dem kausalen Schlussfolgern in Abgrenzung und im Gegensatz zu korrelationsbasierten Analysen. Und was eigentlich Castle and Feerence ist, das vielleicht mal als einführende Fragestellung, ja? Weil ich erzähl nachher vielleicht eine kleine Anekdote dazu, nicht jedem ist vielleicht instantern klar, was überhaupt ist. Maxim, magst Du das vielleicht ganz kurz einordnen, was man da drunter versteht?
Speaker0: Ja gern, also bei mir war's vor einigen Jahren auch nicht klar. Und manchmal hat man's vielleicht aus Versehen gemacht, ohne zu wissen, was man tut. Auch wir als Firma, wir haben eigentlich früher die ganzen kausalen Fragestellungen, wie die meisten, die sich mit dem Thema Statistik beschäftigen, ausgeblendet. Und aber eigentlich haben wir eigentlich haben wir Calls and Furious machen wollen. Warum? Wir haben uns damit beschäftigt, Prozesse oder nach wie vor beschäftigen wir uns damit, Prozesse zu optimieren. Das heißt, ein bestehendes System verstehen, ja? Das ist der Data Science, dem Machine Learning Teil, aber dann aktiv in das System eingreifen. Und eingreifen, also die Intervention, das ist schon son total zentrales Thema von. Das heißt, wir haben eigentlich schon irgendwie immer danach gesucht, ohne es zu wissen eigentlich.
Speaker1: Ja, das war für mich auch absolut der augenöffnende Moment. Als ich gemerkt hab, okay, sobald's drum geht, dass ich eine Handlung aus meiner Analyse ableiten möchte, bin ich in dem eben Fachterminus bei der Intervention, bei der Intervention. Und dann kann ich mich von 'ner rein korrelationsbasierten Analyse total in die Irre führen lassen. Genau. Und ein 1 Anmerkung, die sich auch noch mehr aufs bezieht. Und zwar haben wir am siebenundzwanzigsten April, genau, haben wir die Afghke Scouten mit im und da geht's dann die Frage der Analytics Translation, wie man die anpackt. Und zwar das Themengebiet, wie wandel ich 'n Business Problem, 'n Data Science Problem und dann wiederum den Data Science Output zurück in den Business Outcome. Und warum sag ich das? Eben, weil es eben dieser zentrale Punkt war, wo man merkt, dass das Data Science erwachsen wird. Es ist nicht mehr nur 'n Spielfeld, wo's drum geht, okay, machen wir 'n paar schöne Plots mit 'n paar Korrelationen. Sondern die Erwartungshaltung ist ganz klar mittlerweile, dass auch das Management auf Basis der Analysen und der Data Science Handlungen ableiten kann. Und dazu braucht's dann eben in vielen Cases und wie man das Ganze dann auch noch richtig verpackt, eben die. Also wen das Thema auch von der Managementperspektive her mehr interessiert, siebenundzwanzigster April, Dienstag 16 Uhr mit der Afghke.
Speaker0: So, Werbeblock wieder vorbei. Genau. Aber spätestens nach dem Meet-up sollte euch klar sein, dass Data Science wechselwirkt mit der Welt, ja? Wenn ich einfach nur Vorhersagen mache, da passiert ja erst mal nichts mit der Welt. Aber wenn ich die Vorhersagen nutze, daraus Handlungsempfehlungen abzuleiten, dann verändere ich mein System und da sind wir wieder bei diesen Interventionen und vielleicht geben wir mal einfach ein Beispiel hier oder? Perfekt genau. Was überhaupt das damit auf sich hat und zwar also Korrelation ja fangen wir mit 'ner Korrelation an also Korrelation Pferdebesitzer haben eine überdurchschnittlich lange Lebenserwartung okay Korrelation fertig. Statistik fertig. Könnte ich jetzt also machen. Ich kann sagen, okay, sag mir, ob Du ein Pferd hast und ich sag dir deine Lebenserwartung vor oder sag mir deine Lebenserwartung, wenn Du sie mir geben kannst und ich sag voraus, ob Du 'n Pferd hast. Eine Intervention wäre jetzt, ich verlängere oder verkürze deine Lebenserwartung oder ich schenke dir ein Pferd oder nehme dir dein Pferd weg. Jetzt sagt uns ja der gesunde Menschenverstand, okay, wenn morgen ein Auftragskiller zu mir kommt und mich erschießt, dann, na ja, wir sind nicht mehr im Wilden Westen, dann wird da wahrscheinlich nicht mein Pferd mitnehmen, außer dass ich keins hab, okay. Und umgekehrt, wenn ich mir jetzt heute ein Pferd kaufe, also wobei Hypothese, werd ich nicht einfach länger leben. Möglicherweise sagen wir mal so, na ja okay, das Pferd ist so beruhigend, das lässt dich länger leben. Aber wenn Du jetzt mal von diesem Fall ausklammern, was ist hier wahrscheinlich? Wahrscheinlich ist, es gibt eine gemeinsame Ursache für Pferd und Lebenserwartung, nämlich mein Lebensstandard, mein Geld, den das Leben, was ich mir leisten kann. Und für Beobachtungen ist das relativ egal, ja? Also wenn ich vorhersagen möchte, dann ist das egal, bedingt a b, bedingt b a oder wird beides von c bedingt. Ich kann immer eine valide statistische Vorhersage von einem fürs andere machen. Aber wenn ich eingreifen will, wenn ich jetzt vor der Frage stelle vor der Frage stehe, schenk ich denjenigen ein Pferd, weil ich dann glaube, dann nimmt er länger, dann ist das sehr wichtig.
Speaker1: Okay, aber dann dann lass uns noch mal zu diesem Beispiel diese diese Fälle auseinander klamüsern, okay? Mhm. Also das 1. Wär das Naheliegende oder das das das, was man vermutet, okay, Pferdebesitzer haben überdurchschnittliche Lebenserwartung. Ich les die Bild Schlagzeile und denke, ah okay, wie hast Du das so genannt? Das Pferd beruhigt mich, dadurch sinkt vielleicht mein Stres Spiegel und ich leb dadurch länger, oder? Das wär ja quasi Pferd verursacht lange Lebenserwartung.
Speaker0: Genau.
Speaker1: Case 1. Okay. Und andersrum, das wär aber dann schon 'n bissel verzwickter, oder? Nämlich quasi jeder Mensch hat sone jährliche Wahrscheinlichkeit, dass er sich 'n Pferd kauft. Das heißt, wenn ich nur lang genug lebe, dann steigt die Wahrscheinlichkeit, dass ich irgendwann zu 'nem Pferd kommen werd, oder? Und ich geb's dann nie wieder her. Ja, genau. Das wär so random Walk mit mit mit Login Effekt. Genau. Ja, okay. Und und quasi dann dritter 3. Case, eben was dann hier wirklich zugrunde liegt. Okay, wer sich 'n Pferd leisten kann, kann sich auch eine private Krankenversicherung leisten. So und wird vermutlich nicht so hart arbeiten als als eben nicht. Krass. Okay.
Speaker0: Genau. Und in dem Moment, in dem ich eine Intervention plane Mhm. Ist es einfach wichtig, dass ich weiß, was ist die Richtung der Wirkmechanismen? Ich denke jedem von euch, der zuhört wird klar sein, wenn ich am Ende des Wirkmechanismus etwas verändere, werd ich dadurch nicht den Anfang verändern. Also nehmen wir mal an ein Es wäre dieses Beispiel, wie Theo gesagt hat, je länger ich liebe, desto höher die Wahrscheinlichkeit, dass ich mir 'n Pferd wie Theo gesagt hat, je länger ich lebe, desto höher die Wahrscheinlichkeit, dass ich mir 'n Pferd kaufe. Einfach, weil irgendwann kommt jeder zu dem Gedanken. Mhm. Ja? Wenn ich dann jemandem Pferd schenke, dann wird er dadurch nicht älter. Aber wenn ich wenn's umgekehrt gewesen wäre, wenn ich wenn die wenn der Wirkmechanismus wär, das Pferd beruhigt dich und macht deinen Blutdruck geringer oder whatever und lässt dich dadurch länger leben, dann ist das geschenkte Pferd durchaus ein Lebensverlängerer. Deswegen sind diese Wirkmechanismen, diese Kausalitäten so wichtig.
Speaker1: Aber weißt, was ich da irgendwie so so so so irreführend finde. Und zwar, der Mensch funktioniert ja manchmal so, dass er die kausalen Zusammenhänge aufn Kopf stellt. Was wär 'n gutes Beispiel im Sinne von, wenn ich nur lang genug gäne, dann werd ich irgendwann müde? Oder kennst Du die Studien, dass wenn man zwanghaft lacht, dass man dann tatsächlich auch glücklicher wird und Ich wüsste nicht für den Joker denken. Ja, ja, nee, okay. Aber ich find, das das spielt einem irgendwie einen Streich, also weil der Mensch ja teilweise so so so krass genau verkehrt rum funktioniert, ja. Und und und dann auch
Speaker0: nicht suchen. Ja, wir sind ja nach Kausalitäten. Wir sind ja Wesen, die mit der Welt interagieren und deswegen sind uns Kausalitäten ganz wichtig. Und wir tendieren wahrscheinlich dazu, in diesem Sinne zu overfitten, also eine Kausalität halt schnell als zumindest Working Assumption zu verinnerlichen.
Speaker1: Ja. Dabei gibt's auch eine coole Studie. Ich weiß nicht, ob Du von der gehört hast. Und zwar hat man mal Menschen eingesperrt in einen Raum, also eingesperrt, ja, die hat man in den Raum gesteckt und denen die Aufgabe gegeben. Sie sollen rausfinden, was sie tun müssen, damit 'n Licht anfängt zu leuchten an dem an dem Screen. Und witzigerweise war es so, dass hinter dem, wann das Lämpchen leuchtet und wann nicht, war 'n Zufallsgenerator auch angeschaltet. Und die hatten aber Ja, ja, genau. Und die hatten aber eine Tastatur vor sich und so Knöpfe und Hebel. Und die Leute, die sind dann am Ende mit so irrwitzigen Kombinationen rausgegangen. Die haben gesagt, okay, wenn ich, weil man hatte denen auch gesagt, es müssen nicht nur die Knöpfe sein, es kann alles sein, wenn ich mich zweimal mich selbst drehe, einmal in die Luft hopse, dreimal den Knopf drücke und dann den Hebel hin und her bewege, dann leuchtet das Licht. Und das ging dann so weit, sogar als man aufgelöst hatte, dass das nur 'n Zufallszahlengenerator war, konnten's manche immer noch nicht glauben, dass da keine Logik dahintersteckt. Also das ist genau dieses Overfitten, das Du grad erwähnt hast. Genau. Du suchst zwanghaft
Speaker0: danach. Genau. Und wir haben da einfach einen Konflikt. Die Statistik, die reine Statistik kümmert sich nicht darum. Der Mensch sucht fast schon lächzend nach der Kausalität. Das ist halt eine gefährliche Mischung, ja. Wir haben das eine, wenn ich wenn ich die Statistik benutze, dann hab ich etwas, was mir dann die Hinweise, die Korrelation liefert. Und ich als Mensch tendiere dazu, die kausal überzuinterpretieren. Mhm. Und da ist einfach eine Lücke. Ich brauch eigentlich etwas, was meine menschliche Tendenz, das überzubewerten, auf den Boden der Tatsachen holt und das Ganze ganz nüchtern, wie wir's von der Mathematik gewohnt sind, behandeln kann. Und genau das bietet eben.
Speaker1: Okay, ja. Jetzt hast Du die Mathematik angesprochen. Speaking of Witch. In den nächsten Folgen soll's ja auch darum gehen, welche Fragestellungen man damit beantworten kann, beziehungsweise wie einem eben die Mathematik der Castle Inference dabei helfen kann, sich nicht von irgend 'nem Bauchgefühl fehlleiten zu lassen. Kannst Du da 'n bisschen genauer drauf eingehen, Maxim, eben was man mit Castle Machine Learning alles machen kann? Also high level gesehen?
Speaker0: Ja, also erst mal das Wichtigste ist vielleicht jeder, der Machine Learning oder Statistik oder Data Science kennt, für den wird das gar nicht so weit weg sein, ja? Das ist kein Magical Zeug von, was irgendwie von Engeln erfunden wurde oder sonst was. Und es ist also wirklich keine Magie im Sinne, man kann damit jetzt nicht fundamental was vollkommen anderes machen als mit herkömmlicher Statistik und Machine Learning. Es erweitert einfach nur den Horizont und bietet Formalismen und Guidelines, wie man die Dinge interpretiert und wie man gewisse Fragestellungen aufsetzt. Und in diesem Sinne ist die Mathematik, die man können muss, ist nicht anders als die für die normale Statistik. Und es gibt einfach 'n paar Grundregeln und 'n bisschen grafisches Denken. Also Graftheorie mein ich jetzt nicht Computerspiele, sondern Kanten und Knoten. Aha. Und wenn man das bisschen verinnerlicht hat, dann ist das auch abgefrühstückt.
Speaker1: Okay, Maxim. Und was hilft mir das?
Speaker0: Ja, die übliche Frage, how ist das?
Speaker1: Genau.
Speaker0: Es gibt letztendlich, ich würd sagen, 3 Arten von Fragen, die ich jetzt hiermit angreifen kann, die im normalen Statistikkontext schwierig zu beantworten sind. Das eine ist, was wäre wenn mit dem wenn als Intervention? Also was passiert, wenn ich x tue? Ich beobachte nicht nur, sondern ich tue etwas. Ich interveniere. Das ist dann dieser berühmte Du Culture heißt der in der, was einfach letztendlich bisschen eine kraft theoretische Betrachtung ist, mit der man dann sein seine Fragestellung auf Basis der Statistik dann richtig beantworten kann. Das heißt, der Unterschied aber ist zwischen nicht, ich habe einfach nur gesehen, ne. Ich hab nicht einfach nur gesehen, dass jemand 'n Pferd hat, sondern nein, ich habe ihm ein Pferd geschenkt Mhm. Aktiv. Mhm. Und und das zu unterscheiden, ist einfach wichtig für Interventionen. Das sind die was wäre wenn vor allem. 2. Kategorie, was wäre gewesen wenn, also das wird gern als so bezeichnet. Es ist schon mal was passiert, ja? Jemand hat Lungenkrebs bekommen und hat geraucht. Die Frage, was wäre gewesen, wenn der Igel nicht geraucht hätte? Hätte er dann trotzdem Lungenkrebs bekommen beziehungsweise mit welcher Wahrscheinlichkeit?
Speaker1: Okay, der Unterschied ist, dass genau die Person betroffen Genau. Ich möchte quasi alles andere konstant halten. Okay. Mhm. Und
Speaker0: nur ein Ereignis in der Vergangenheit hypothetisch verändern. Und die 3. Art von Fragestellungen ist sozusagen, die Kausalitäten überhaupt zu klären oder die zu und auch zu quantifizieren. Also was ist verantwortlich? Was sind die Einflussfaktoren für Ereignis x? Also einfach rausfinden, wovon hängt's denn ab? Und dabei sowohl quasi beeinflusst a b oder beeinflusst b a und dann eben auch wie stark? Das sind so die 3 grundlegenden Fragen, die ich mal sagen würde, die mit Kausal Inference zu behandeln sind und die den, ja, die den Umfang der normalen Statistik etwas verlassen.
Speaker1: Cool, ja? Ich denk, das ist echt eine gute Zusammenfassung. In den nächsten Folgen werden wir uns da ran machen, da mal ein bissel tiefer einzusteigen und die Brücke zu schlagen in die Anwendung einerseits. Also wenn ihr das jetzt hört mit was wäre gewesen, was ist verantwortlich für Ereignis x y, ja, dann ist man ja von 'nem echten Use Case nicht weit weg. Und ja, wenn ihr als Complexity Maisters da Interesse drin habt, dann noch genau einzusteigen, der Maxim und ich, wir werden uns größte Mühe geben, das zu illustrieren. Und wir werden Beispiele bringen, die nicht so offensichtlich sind wie dieses Lebenserwartungspferd Beispiel. Ja, das ist immer ganz nett, sich so was reinzuziehen oder sich an der vermeintlichen Fehlinterpretation der Korrelation zwischen Speiseeis und Sonnenbränden zu erfreuen. Das ist ganz nett, aber der Hase liegt im Pfeffer, da bei denen Use Cases, bei denen man eben nicht so offensichtlicherweise draufkommt. Und da haben wir einige auf Lager, die werden wir diskutieren. Und ein unmittelbarer Punkt, den wir uns vorgenommen haben, konkret für nächstes Mal, Das ist Folgendes, nämlich ihr habt's ja schon gemerkt, es gibt son paar Fachbegriffe wie Counterfactual, Stu Canculus und uns war einfach wichtig, das ein bissel auch zu entzaubern. Denn üblicherweise ist ja die Strategie, wenn jemand nur so mittel viel Ahnung hat, dann wirft er wirft er mit Fachbegriffen sich, ja irgendwie vermeintlich den den Schein von Fachkompetenz zu erzeugen. Genau. Und am Ende hinter den Begriffen steckt gar nicht so viel Kompliziertes und deswegen wollen wir die einmal klarstellen, aufdecken, was steckt wirklich dahinter, dass einfach das Fachvokabular da klar ist, dass ihr klar mitreden könnt, aber damit's auch zu keinen Missverständnissen kommt, wenn wir in den nächsten Folgen dann auf die Details einsteigen. Und dass ihr euch nicht bambuseln lässt, wenn mal jemand schön
Speaker0: hier auf die Bullshit Bingo Taste drückt.
Speaker1: Yes, absolut. Im Idealfall kann man jemanden auflaufen lassen. Das macht immer Spaß. Alright. In diesem Sinne, Maxim, gibt's von dir, von deiner Seite noch Kommentare, Ergänzungen?
Speaker0: Ja, nur bleibt dran. Es ist einfacher, als ihr denkt. Das.
Speaker1: Stimmt. Das war eine Erkenntnis, die war für mich auch sehr, sehr ja, auch schön zu sehen. Es ist gar nicht so kompliziert. Und wer's nicht aushalten kann bis nächsten Dienstag, bis wir die nächste Folge online stellen, lasst's uns im treffen jeden Dienstag 16 bis 17 Uhr. Auf Meet-up dot com findet ihr uns ganz einfach Data Science in München suchen. Dann habt es, da steigt's in die Gruppe ein, kommt's mit in das Meet-up. Und ansonsten hören wir uns nächsten Dienstag mit 'ner neuen Folge von die Ihrem Podcast.
Speaker2: Jeden Dienstag erscheint eine neue Folge von The Erium Podcast. Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM Podcast.