The 6th Athens Causal Data Science Meetup

🗓️ Το Causal Data Science Meetup της Αθήνας σας περιμένει στις 19 Μαρτίου, 7:00 μμ για την 6η συνάντησή του!

Καλεσμένος μας ο Christos Diou, ο οποίος θα μας μιλήσει για "Causal Representation Learning: From Pattern Matching to World Models".

Στην ομιλία αυτή θα δούμε πώς το representation learning μπορεί να εμπλουτιστεί με αιτιώδη δομή. Μέσα από τη θεμελιώδη αρχή των ανεξάρτητων αιτιωδών μηχανισμών και αναφορές σε καθοριστικές εργασίες του πεδίου, θα παρακολουθήσουμε την εξέλιξη του causal representation learning από θεωρητική ιδέα σε ενεργό ερευνητικό ρεύμα που επηρεάζει τη σύγχρονη μηχανική μάθηση.
Θα γίνει επίσης μια εισαγωγή στη νέα βιβλιογραφία των world models, που στοχεύει σε συστήματα AI ικανά όχι απλώς να προβλέπουν, αλλά να προσομοιώνουν και να συλλογίζονται για το πώς αλλάζει ο κόσμος.

Το event θα περιέχει Q&A, networking και τα σχετικά συνοδευτικά.
Ραντεβού στο Impact Hub την Πέμπτη 19 Μαρτίου στις 7:00 μμ.

Ευχαριστούμε για την υποστήριξη την Plum, την Intelligencia AI καθώς και το κέντρο Beyond του Εθνικού Αστεροσκοπείου Αθηνών.

🚀 Κάνε RSVP και μη χάσεις την ευκαιρία να βρεθείς στην 5η συνάντηση της Causal Data Science κοινότητας της Αθήνας!

Η πλήρης περιγραφή της ομιλίας στα Αγγλικά:

Modern AI systems have become remarkably good at recognizing patterns, however statistical pattern matching alone is not enough to build systems that are robust, generalizable, or capable of reasoning about cause and effect. In this talk, we explore how representation learning, which aims to equip machines with structured internal models of their inputs, can be enriched with causal structure to produce more reliable and interpretable AI. We will begin with an introduction to representation learning and its limitations, then examine how incorporating the principle of independent causal mechanisms changes the way models represent and respond to their environment. Drawing on landmark papers in the field, we will trace how causal representation learning has evolved from a theoretical idea into a practical framework shaping modern machine learning research. We will also touch on the recently emerging world model literature, which envisions AI systems that go beyond reactive prediction to simulate and reason about how the world changes. The talk concludes with a forward-looking discussion of where this field is headed and what it may mean for the future of reliable, trustworthy AI.