Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko
- Wydawnictwo:
- Helion
- Ocena:
- Bądź pierwszym, który oceni tę książkę
- Stron:
- 421
- Druk:
- oprawa miękka
- Dostępne formaty:
-
PDFePubMobi
Opis ebooka: Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko
W uczeniu maszynowym odkrywanie związków przyczynowych daje możliwości, jakich nie można uzyskać tradycyjnymi technikami statystycznymi. Najnowsze trendy w programowaniu pokazują, że przyczynowość staje się kluczowym zagadnieniem dla generatywnej sztucznej inteligencji. Niezbędna okazuje się więc znajomość grafów przyczynowych i zapytań konfrontacyjnych.
Dzięki tej książce łatwo przyswoisz teoretyczne podstawy i zaczniesz je płynnie wdrażać w rzeczywistych scenariuszach. Dowiesz się, w jaki sposób myślenie przyczynowe ułatwia rozwiązywanie problemów, i poznasz pojęcia Pearla, takie jak strukturalny model przyczynowy, interwencje, kontrfakty itp. Każde zagadnienie zostało dokładnie wyjaśnione i opatrzone zbiorem praktycznych ćwiczeń z kodem w Pythonie. Nauczysz się także implementować poszczególne modele i zrozumiesz, czym się kierować przy wyborze technik i algorytmów do rozwiązywania konkretnych scenariuszy przyczynowych. To przewodnik, który docenią szczególnie inżynierowie uczenia maszynowego i analitycy danych.
W książce:
- wnioskowanie związków przyczynowych
- budowa i działanie strukturalnych modeli przyczynowych
- czteroetapowy proces wnioskowania związków przyczynowych w Pythonie
- techniki modelowania efektu interwencji
- nowoczesne metody odkrywania związków przyczynowych za pomocą Pythona
- korzystanie z wnioskowania związków przyczynowych
Przyczyna i skutek, nic więcej. Pomyłki jako takie nie istnieją...
Jose Antonio Cotrina, hiszpański pisarz science fiction
Wnioskowanie i związki przyczynowe w Pythonie
Metody przyczynowe w porównaniu z tradycyjnym uczeniem maszynowym i statystyką stanowią unikatowe wyzwanie. Nauka przyczynowości może być trudna, ale zdobycie tej wiedzy daje wyraźne korzyści, których nie da się uzyskać w przypadku stosowania czysto statystycznego sposobu myślenia. Książka Wnioskowanie i związki przyczynowe w Pythonie pomaga uwolnić potencjał przyczynowości.
Książka rozpoczyna się od przedstawienia podstawowych motywacji stojących za myśleniem przyczynowym i kompleksowego wprowadzenia do pojęć przyczynowych spopularyzowanych przez Pearla, takich jak strukturalne modele przyczynowe, interwencje, kontrfakty i inne. Każdemu pojęciu towarzyszy teoretyczne wyjaśnienie i zbiór praktycznych ćwiczeń z kodem w Pythonie.
Następnie zagłębisz się w świat szacowania efektów przyczynowych, konsekwentnie zmierzając w kierunku nowoczesnych metod uczenia maszynowego. Krok po kroku odkryjesz ekosystem przyczynowo-skutkowy Pythona i wykorzystasz możliwości najnowocześniejszych algorytmów. Dokładnie zbadasz sposób, w jaki "przyczyny pozostawiają ślady" i odkryjesz możliwości czterech głównych rodzin metod odkrywania związków przyczynowych.
Ostatni rozdział przedstawia szerokie spojrzenie na przyszłość przyczynowej sztucznej inteligencji, w którym przeanalizowano wyzwania i możliwości oraz udostępniono obszerną listę dodatkowych zasobów.
CZEGO SIĘ NAUCZYSZ?
- Podstawowe pojęcia wnioskowania związków przyczynowych.
- Tajniki strukturalnych modeli przyczynowych.
- 4-etapowy proces wnioskowania związków przyczynowych w Pythonie.
- Zaawansowane techniki modelowania efektu interwencji.
- Sekrety nowoczesnego odkrywania związków przyczynowych za pomocą Pythona.
- Wykorzystanie wnioskowania związków przyczynowych w celu pozytywnego oddziaływania na społeczności.
Wybrane bestsellery
-
This hands-on book will help you make your machine learning models fairer, safer, and more reliable and in turn improve business outcomes. Every chapter introduces a new mission where you learn how to apply interpretation methods to realistic use cases with methods that work for any model type as...
Interpretable Machine Learning with Python. Build explainable, fair, and robust high-performance models with hands-on, real-world examples - Second Edition Interpretable Machine Learning with Python. Build explainable, fair, and robust high-performance models with hands-on, real-world examples - Second Edition
-
Causal Inference and Discovery in Python is a comprehensive exploration of the theory and techniques at the intersection of modern causality and machine learning. It covers fundamental concepts of Pearlian causal inference, explains the theory, and provides step-by-step code examples for both tra...
Causal Inference and Discovery in Python. Unlock the secrets of modern causal machine learning with DoWhy, EconML, PyTorch and more Causal Inference and Discovery in Python. Unlock the secrets of modern causal machine learning with DoWhy, EconML, PyTorch and more
-
Oto zaktualizowane wydanie popularnego przewodnika, dzięki któremu skorzystasz z ponad dwustu sprawdzonych receptur bazujących na najnowszych wydaniach bibliotek Pythona. Wystarczy, że skopiujesz i dostosujesz kod do swoich potrzeb. Możesz też go uruchamiać i testować za pomocą przykładowego zbio...
Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II Uczenie maszynowe w Pythonie. Receptury. Od przygotowania danych do deep learningu. Wydanie II
(57.84 zł najniższa cena z 30 dni)62.30 zł
89.00 zł(-30%) -
Odkryj fascynujący świat sztucznej inteligencji (AI) bez zbędnych komplikacji! Ta książka to idealny przewodnik dla każdego, kto chce zrozumieć, jak AI zmienia nasz świat, od podstawowych pojęć po zaawansowane technologie. Dzięki jasnym wyjaśnieniom i przystępnemu językowi, autor demistyfikuje sk...
AI bez tajemnic. Sztuczna Inteligencja od podstaw po zaawansowane techniki AI bez tajemnic. Sztuczna Inteligencja od podstaw po zaawansowane techniki
-
Tę książkę docenią wszyscy zainteresowani eksploracją danych i uczeniem maszynowym, którzy chcieliby pewnie poruszać się w świecie nauki o danych. Pokazano tu, w jaki sposób Excel pozwala zobrazować proces ich eksplorowania i jak działają poszczególne techniki w tym zakresie. Przejrzyście wyjaśni...
Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku Eksploracja danych za pomocą Excela. Metody uczenia maszynowego krok po kroku
(40.20 zł najniższa cena z 30 dni)46.90 zł
67.00 zł(-30%) -
Oto praktyczny przewodnik po nauce o danych w miejscu pracy. Dowiesz się stąd wszystkiego, co ważne na początku Twojej drogi jako danologa: od osobowości, z którymi przyjdzie Ci pracować, przez detale analizy danych, po matematykę stojącą za algorytmami i uczeniem maszynowym. Nauczysz się myśleć ...
Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym Analityk danych. Przewodnik po data science, statystyce i uczeniu maszynowym
(41.40 zł najniższa cena z 30 dni)48.30 zł
69.00 zł(-30%) -
Książka jest adresowana do wszystkich, którzy chcą budować, rozwijać i skalować systemy NLP w środowisku biznesowym, a także dostosowywać je do swojej branży. Opisuje tworzenie rzeczywistych aplikacji NLP. Omawia pełny cykl życia typowego projektu NLP, od zbierania danych po wdrożenie i monitorow...
Przetwarzanie języka naturalnego w praktyce. Przewodnik po budowie rzeczywistych systemów NLP Przetwarzanie języka naturalnego w praktyce. Przewodnik po budowie rzeczywistych systemów NLP
Sowmya Vajjala, Bodhisattwa Majumder, Anuj Gupta, Harshit Surana
(65.40 zł najniższa cena z 30 dni)76.30 zł
109.00 zł(-30%) -
Głębokie sieci neuronowe mają niesamowity potencjał. Osiągnięcia ostatnich lat nadały procesom uczenia głębokiego zupełnie nową jakość. Obecnie nawet programiści niezaznajomieni z tą technologią mogą korzystać z prostych i niezwykle skutecznych narzędzi, pozwalających na sprawne implementowanie p...
Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wydanie III Uczenie maszynowe z użyciem Scikit-Learn, Keras i TensorFlow. Wydanie III
(107.40 zł najniższa cena z 30 dni)125.30 zł
179.00 zł(-30%) -
Książka stanowi kompendium wiedzy na temat tej niesłychanie szybko rozwijającej się i dynamicznie wkraczającej w nasze życie dziedziny. Została napisana tak, aby była przystępna dla osób posiadających podstawowe umiejętności matematyczne. Może stanowić podręcznik dla studentów takich kierunków ja...(29.40 zł najniższa cena z 30 dni)
34.30 zł
49.00 zł(-30%) -
Sztuczna inteligencja staje się powoli nieodzownym składnikiem naszego życia. Przeszła długą drogę od modnego hasła pojawiającego się głównie w specjalistycznych publikacjach do technologii mającej realny wpływ na naszą codzienność. Z każdym dniem lepiej radzi sobie z coraz bardziej zaawansowanym...(41.40 zł najniższa cena z 30 dni)
48.30 zł
69.00 zł(-30%)
O autorze ebooka
Aleksander Molak jest niezależnym badaczem i konsultantem w dziedzinie uczenia maszynowego. Współpracował z licznymi firmami w Europie, USA i Izraelu, gdzie uczestniczył w tworzeniu wielkoskalowych systemów uczenia maszynowego. Jest też współzałożycielem firmy Lespire.io, dostawcy szkoleń z zakresu sztucznej inteligencji dla zespołów korporacyjnych.
Ebooka "Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko" przeczytasz na:
-
czytnikach Inkbook, Kindle, Pocketbook, Onyx Boox i innych
-
systemach Windows, MacOS i innych
-
systemach Windows, Android, iOS, HarmonyOS
-
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi
Masz pytania? Zajrzyj do zakładki Pomoc »
Audiobooka "Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko" posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolnych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video "Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko" zobaczysz:
-
w aplikacjach Ebookpoint i Videopoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych z dostępem do najnowszej wersji Twojej przeglądarki internetowej
Szczegóły ebooka
- Tytuł oryginału:
- Causal Inference and Discovery in Python: Unlock the secrets of modern causal machine learning with DoWhy, EconML, PyTorch and more
- Tłumaczenie:
- Radosław Meryk
- ISBN Książki drukowanej:
- 978-83-289-0832-1, 9788328908321
- ISBN Ebooka:
- 978-83-289-0833-8, 9788328908338
- Format:
- 165x235
- Numer z katalogu:
- 222609
- Rozmiar pliku Pdf:
- 14.7MB
- Rozmiar pliku ePub:
- 12.6MB
- Rozmiar pliku Mobi:
- 12.6MB
- Pobierz przykładowy rozdział PDF
- Przykłady na ftp
Ebook zawiera materiały dodatkowe, które możesz pobrać z serwera FTP - link znajdziesz na stronie redakcyjnej.
Spis treści ebooka
- Krótka historia przyczynowości
- Dlaczego przyczynowość? Zapytaj dzieci!
- Interakcje ze światem
- Zakłócenia - związki, które nie są prawdziwe
- Jak nie stracić pieniędzy. i ludzkich istnień
- Dylemat marketera
- Pobawmy się w doktora!
- Asocjacje w realnym świecie
- Podsumowanie
- Bibliografia
- Od asocjacji do logiki i wyobraźni. Drabina przyczynowości
- Asocjacje
- Ćwiczenie
- Czym są interwencje?
- Zmienianie świata
- Korelacja i przyczynowość
- Czym są kontrfakty?
- Zanurzmy się w dziwactwa (zapis formalny)
- Podstawowy problem wnioskowania przyczynowego
- Obliczanie kontrfaktów
- Czas na kodowanie!
- Dodatek. Czym jest uczenie maszynowe z perspektywy przyczynowości?
- Przyczynowość a uczenie ze wzmocnieniem
- Przyczynowość a uczenie półnadzorowane i nienadzorowane
- Podsumowanie
- Bibliografia
- Wprowadzenie. Dane obserwacyjne a regresja liniowa
- Regresja liniowa
- Wartości p i istotność statystyczna
- Interpretacja geometryczna regresji liniowej
- Odwrócenie kolejności
- Czy zawsze należy kontrolować wszystkie dostępne współzmienne?
- Poruszanie się po labiryncie
- Jeśli nie wiesz, dokąd zmierzasz, możesz trafić gdzie indziej
- Pójdźmy dalej!
- Kontrolować czy nie kontrolować?
- Modele regresyjne a modele strukturalne
- Modele SCM
- Regresja liniowa a modele SCM
- Szukanie powiązania
- Regresja a skutki przyczynowe
- Podsumowanie
- Bibliografia
- Grafy, grafy, grafy
- Rodzaje grafów
- Reprezentacje grafów
- Grafy w Pythonie
- Czym jest model grafów?
- Skierowane grafy acykliczne w świecie związków przyczynowych
- Definicje przyczynowości
- Grafy DAG a przyczynowość
- Formalna definicja grafów DAG
- Ograniczenia grafów DAG
- Źródła grafów przyczynowych w świecie rzeczywistym
- Odkrywanie związków przyczynowych
- Wiedza ekspercka
- Połączenie technik odkrywania związków przyczynowych i wiedzy eksperckiej
- Dodatek. Czy można opisywać związki przyczynowe bez grafów DAG?
- Układy dynamiczne
- Cykliczne modele SCM
- Podsumowanie
- Bibliografia
- Grafy i rozkłady oraz sposoby mapowania między nimi
- Jak opisywać niezależność?
- Wybór właściwego kierunku
- Warunki i założenia
- Łańcuchy, rozwidlenia i kolidery
- Łańcuch zdarzeń
- Łańcuchy
- Rozwidlenia
- Kolidery lub struktury v
- Przypadki niejednoznaczne
- Rozwidlenia, łańcuchy, kolidery i regresja
- Tworzenie zbioru danych dla łańcucha
- Tworzenie zestawu danych dla rozwidlenia
- Tworzenie zbioru danych dla kolidera
- Dopasowanie modeli regresji
- Podsumowanie
- Bibliografia
- Zadbaj o separację d!
- Trening czyni mistrza - separacja d
- Najpierw estymandy!
- Żyjemy w świecie estymatorów
- Czym są estymandy?
- Kryterium back-door
- Czym jest kryterium back-door?
- Kryterium back-door a estymandy równoważne
- Kryterium front-door
- Czy GPS może nas wyprowadzić na manowce?
- Londyńskie taksówki i magiczny kamień
- Otwarcie frontowych drzwi
- Trzy proste kroki w kierunku kryterium front-door
- Kryterium front-door w praktyce
- Czy są jakieś inne kryteria? Zastosujmy rachunek do!
- Trzy zasady rachunku do
- Zmienne instrumentalne
- Podsumowanie
- Odpowiedź
- Bibliografia
- Wprowadzenie do bibliotek DoWhy i EconML
- Ekosystem analizy przyczynowej Pythona
- Dlaczego DoWhy?
- Czym jest pakiet DoWhy?
- A co z biblioteką EconML?
- Krok 1. Modelowanie problemu
- Utworzenie grafu
- Tworzenie obiektu CausalModel
- Krok 2. Identyfikacja estymand
- Krok 3. Wyznaczanie oszacowań
- Krok 4. Zestaw walidacyjny. Testy obalające
- Jak walidować modele przyczynowe?
- Wprowadzenie do testów obalających
- Pełny przykład
- Krok 1. Zakodowanie założeń
- Krok 2. Wyznaczenie estymandy
- Krok 3. Wyznaczenie oszacowania
- Krok 4. Obalenie oszacowania
- Podsumowanie
- Bibliografia
- Jestem królem świata! Czy rzeczywiście tak jest?
- Gdzieś pośrodku
- Identyfikowalność
- Brak grafów przyczynowych
- Za mało danych
- Nieweryfikowalne założenia
- Słoń w pokoju - nadzieja czy beznadzieja?
- Zjedzmy słonia
- Dodatniość
- Wymienność
- Podmioty wymienne
- Wymienność a zakłócenia
- .i inne
- Modułowość
- SUTVA
- Spójność
- Nazywaj mnie po imieniu - relacje pozorne
- Nazwy, nazwy, nazwy
- Czy powinienem zapytać Ciebie, czy kogoś, kogo tu nie ma?
- Stwórzcie graf DAG!
- Dodatkowe informacje o stronniczości wyboru
- Podsumowanie
- Bibliografia
- Podstawy I. Dopasowywanie
- Rodzaje dopasowywania
- Efekty interwencji - ATE w porównaniu z ATT i ATC
- Estymatory dopasowywania
- Implementacja dopasowywania
- Podstawy II. Współczynniki skłonności
- Dopasowywanie w praktyce
- Zmniejszenie wymiarowości za pomocą współczynników skłonności
- Dopasowywanie współczynników skłonności (PSM)
- Odwrotne ważenie prawdopodobieństwa (IPW)
- Wiele twarzy współczynników skłonności
- Formalizacja techniki IPW
- Implementacja IPW
- IPW - względy praktyczne
- S-Learner - samotny stróż
- Diabeł tkwi w szczegółach
- Mamo, tato, poznajcie CATE
- Żarty na bok. Pozdrowienia dla heterogenicznego tłumu
- Machanie flagą założeń
- Jesteś jedyny. Modelowanie z wykorzystaniem techniki S-Learner
- Dane o niewielkiej objętości
- Słabe punkty modelu S-Learner
- T-Learner. Razem możemy więcej
- Wymuszenie właściwego podziału zmiennych
- T-Learner w czterech krokach i wzory
- Implementacja modelu T-Learner
- X-Learner. Krok dalej
- Wyciskanie cytryny
- Rekonstrukcja modelu X-Learner
- X-Learner. Formuła alternatywna
- Implementacja X-Learner
- Podsumowanie
- Bibliografia
- Metody DR. Spróbujmy uzyskać więcej!
- Czy potrzebujemy czegoś więcej?
- Podwójnie wzmocniony nie oznacza niezniszczalny...
- ...ale pozwala wiele zyskać
- Sekretny, podwójnie mocny sos
- Estymator DR a założenia
- DR-Learner. Przechodzenie nad przepaścią
- Modele DR-Learner - opcje dodatkowe
- Ukierunkowany estymator maksymalnego prawdopodobieństwa
- Jeśli uczenie maszynowe jest fajne, to co powiesz na podwójne uczenie maszynowe?
- Dlaczego DML i co jest w nim podwójnego?
- Implementacja DML za pomocą bibliotek DoWhy i EconML
- Dostrajanie hiperparametrów za pomocą bibliotek DoWhy i EconML
- Czy DML jest srebrną kulą?
- Techniki DR a DML
- Co z tego będę miał?
- Lasy przyczynowe i nie tylko
- Drzewa przyczynowe
- Przepełnienia lasów
- Zalety lasów przyczynowych
- Lasy przyczynowe z wykorzystaniem bibliotek
- DoWhy i EconML
- Niejednorodne efekty interwencji z danymi eksperymentalnymi - odyseja upliftingu
- Dane
- Wybór frameworka
- Nie znamy połowy tej historii
- Wyzwanie Kevina
- Otwarcie skrzynki z narzędziami
- Modele uplift a wydajność
- Inne wskaźniki dla wyników ciągłych z wieloma interwencjami
- Przedziały ufności
- Zwycięski wynik w wyzwaniu Kevina
- Kiedy należy stosować estymatory CATE dla danych eksperymentalnych?
- Wybór modelu. Uproszczony przewodnik
- Dodatek. Objaśnienia kontrfaktyczne
- Zła wola czy nieodpowiednia technologia?
- Podsumowanie
- Bibliografia
- Wykorzystanie technik uczenia głębokiego do wyznaczania heterogenicznych efektów interwencji
- Wskaźniki CATE sięgają głębiej
- SNet
- Transformatory i wnioskowanie związków przyczynowych
- Teoria znaczenia w pięciu akapitach
- Co zrobić, by komputery rozumiały język naturalny?
- Od filozofii do kodu Pythona
- Modele LLM a przyczynowość
- Trzy scenariusze
- CausalBert
- Przyczynowość i szeregi czasowe, czyli kiedy ekonometryk przechodzi na Bayesa
- Metody quasi-eksperymentalne
- Przejęcie Twittera i wzorce googlowania
- Logika syntetycznych kontroli
- Wizualne wprowadzenie do logiki kontroli syntetycznej
- Na początek dane
- Kontrola syntetyczna w kodzie
- Wyzwania
- Podsumowanie
- Bibliografia
- Źródła wiedzy przyczynowej
- Zalew informacji
- Siła zaskoczenia
- Spostrzeżenia naukowe
- Logika nauki
- Hipotezy są gatunkiem
- Jedna logika, wiele dróg
- Eksperymenty kontrolowane
- Randomizowane badania kontrolowane
- Od eksperymentów do grafów
- Symulacje
- Osobiste doświadczenia i wiedza dziedzinowa
- Osobiste doświadczenia
- Wiedza dziedzinowa
- Uczenie się struktury przyczynowej
- Podsumowanie
- Bibliografia
- Odkrywanie związków przyczynowych - przypomnienie informacji o założeniach
- Przygotowania
- Należy zawsze dążyć do zapewnienia wierności...
- ...ale czasami to jest trudne
- Minimalizm jest cnotą
- Cztery (i pół) rodziny
- Cztery strumienie
- Wprowadzenie do pakietu gCastle
- Witaj, gCastle!
- Dane syntetyczne w gCastle
- Dopasowywanie pierwszego modelu odkrywania związków przyczynowych
- Wizualizacja modelu
- Wskaźniki oceny modelu
- Odkrywanie związków przyczynowych oparte na ograniczeniach
- Ograniczenia i niezależność
- Wykorzystanie struktury niezależności w celu odtworzenia grafu
- Algorytm PC - ukryte wyzwania
- Algorytm PC dla danych kategorialnych
- Odkrywanie związków przyczynowych na podstawie punktacji
- Tabula rasa - zaczynamy od nowa
- GES - punktacja
- Algorytm GES w bibliotece gCastle
- Funkcyjne odkrywanie związków przyczynowych
- Błogosławieństwa asymetrii
- Model ANM
- Ocena niezależności
- Czas na LiNGAM
- Odkrywanie związków przyczynowych oparte na gradientach
- Czym jest ten gradient?
- Proszę nie ronić łez!
- Nie płacz, GOLEM!
- Porównanie
- Kodowanie wiedzy eksperckiej
- Czym jest wiedza ekspercka?
- Wiedza ekspercka w bibliotece gCastle
- Podsumowanie
- Bibliografia
- Zaawansowane odkrywanie związków przyczynowych za pomocą uczenia głębokiego
- Od modeli generatywnych do przyczynowości
- Spójrz wstecz, aby dowiedzieć się, kim jesteś
- Elementy składowe frameworka DECI
- Implementacja DECI
- DECI to rozwiązanie kompleksowe
- Odkrywanie związków przyczynowych w wypadku występowania ukrytych zakłóceń
- Algorytm FCI
- Inne podejścia do danych z zakłóceniami
- Dodatek. Nie tylko obserwacje
- ENCO
- ABCI
- Odkrywanie związków przyczynowych - praktyczne zastosowania, wyzwania i otwarte problemy
- Podsumowanie
- Bibliografia
- Czego nauczyłeś się z tej książki?
- Pięć kroków do jak najlepszego wykorzystania projektów przyczynowych
- Zadaj pytanie
- Zdobądź wiedzę ekspercką
- Wygeneruj hipotetyczny graf (grafy)
- Sprawdź identyfikowalność
- Dokonaj falsyfikacji hipotez
- Przyczynowość w biznesie
- Jak eksperci analizy przyczynowej przechodzą od wizji do implementacji?
- Przyszłość przyczynowego uczenia maszynowego
- Gdzie jesteśmy dziś i dokąd zmierzamy?
- Wskaźniki przyczynowe
- Fuzja danych przyczynowych
- Agenty interwencji
- Uczenie się struktury przyczynowej
- Uczenie się przez naśladowanie
- Studiowanie przyczynowości
- Pozostańmy w kontakcie
- Podsumowanie
- Bibliografia
O autorze
O recenzentach
Podziękowania
Słowo wstępne
Przedmowa
CZĘŚĆ 1. Przyczynowość - wprowadzenie
Rozdział 1. Związki przyczynowe? Przecież jest uczenie maszynowe, więc po co zawracać sobie tym głowę?
Rozdział 2. Judea Pearl i drabina przyczynowości
Rozdział 3. Regresja, obserwacje i interwencje
Rozdział 4. Modele grafów
Rozdział 5. Rozwidlenia, łańcuchy i kolidery
CZĘŚĆ 2. Wnioskowanie związków przyczynowych
Rozdział 6. Węzły, krawędzie i statystyczna (nie)zależność
Rozdział 7. Czteroetapowy proces wnioskowania przyczynowego
Rozdział 8. Modele przyczynowe. Założenia i wyzwania
Rozdział 9. Wnioskowanie związków przyczynowych i uczenie maszynowe - od dopasowywania do metalearnerów
Rozdział 10. Wnioskowanie związków przyczynowych i uczenie maszynowe - zaawansowane estymatory, eksperymenty, oceny i nie tylko
Rozdział 11. Wnioskowanie związków przyczynowych i uczenie maszynowe - uczenie głębokie, przetwarzanie języka naturalnego i inne techniki
CZĘŚĆ 3. Odkrywanie związków przyczynowych
Rozdział 12. Czy można prosić o graf przyczynowy?
Rozdział 13. Odkrywanie związków przyczynowych i uczenie maszynowe - od założeń do zastosowań
Rozdział 14. Odkrywanie związków przyczynowych i uczenie maszynowe - zaawansowane uczenie głębokie i nie tylko
Rozdział 15. Epilog
Skorowidz
Oceny i opinie klientów: Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko Aleksander Molak (0) Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.