Descripción
Crea modelos de IA que puedan ofrecer inferencias causales de forma fiable. ¿Cómo saber qué podría haber pasado si hubieras hecho las cosas de otra manera? La IA causal te proporciona la información que necesitas para hacer predicciones y controlar resultados basándote en relaciones causales en lugar de pura correlación, para que puedas realizar intervenciones precisas y oportunas. Causal AI es una introducción práctica a la construcción de modelos de IA que pueden razonar sobre la causalidad. En Causal AI aprenderás a: - Construir algoritmos de aprendizaje por refuerzo causal
- Implementar inferencia causal con herramientas modernas de aprendizaje automático probabilístico como PyTorch y Pyro
- Comparar y contrastar métodos estadísticos y econométricos para la inferencia causal
- Configurar algoritmos para atribución, asignación de crédito y explicación
- Convertir la experiencia de dominio en modelos causales explicables El autor Robert Osazuwa Ness, un investigador líder en IA causal en Microsoft Research, aporta su experiencia única a esta guía de vanguardia. Su enfoque claro y basado en código explica los detalles esenciales del aprendizaje automático causal que están ocultos en los trabajos académicos. Todo lo que aprendas se puede aplicar fácil y eficazmente a los desafíos de la industria, desde la creación de modelos causales explicables hasta la predicción de resultados contrafactuales. Prólogo de Lindsay Edwards. La compra del libro impreso incluye un eBook gratuito en formato PDF y ePub de Manning Publications. Sobre la tecnología Los modelos tradicionales de ML no pueden responder preguntas causales como, "¿Por qué sucedió eso?" o, "¿Qué factores debería cambiar para obtener un resultado particular?" Este libro combina métodos estadísticos avanzados, técnicas computacionales y nuevos algoritmos para crear sistemas de aprendizaje automático que automaticen el proceso de inferencia causal. Sobre el libro Causal AI presenta las herramientas, técnicas y algoritmos del razonamiento causal para el aprendizaje automático. Este libro único combina magistralmente enfoques bayesianos y probabilísticos para la inferencia causal con ejemplos prácticos en Python. A lo largo del camino, aprenderás a integrar suposiciones causales en arquitecturas de aprendizaje profundo, incluyendo el aprendizaje por refuerzo y los modelos de lenguaje grandes. También utilizarás PyTorch, Pyro y otras bibliotecas de ML para escalar la inferencia causal. Qué contiene - Inferencia causal de extremo a extremo con DoWhy
- Modelos de IA generativa causal bayesiana profunda
- Un recorrido con código del do-cálculo y la jerarquía causal de Pearl
- Código para el ajuste fino de modelos de lenguaje grandes causales Sobre el lector Para científicos de datos e ingenieros de aprendizaje automático. Ejemplos en Python. Sobre el autor Robert Osazuwa Ness es investigador de IA en Microsoft Research y profesor en Northeastern University. Es colaborador de paquetes de inferencia causal de código abierto como DoWhy de Python y bnlearn de R. Tabla de contenidos Parte 1
1 Por qué la IA causal
2 Una introducción al modelado generativo probabilístico
Parte 2
3 Construyendo un modelo gráfico causal
4 Probando el DAG con restricciones causales
5 Conectando la causalidad y el aprendizaje profundo
Parte 3
6 Modelos causales estructurales
7 Intervenciones y efectos causales
8 Contrafactuales y mundos paralelos
9 El algoritmo general de inferencia contrafactual
10 Identificación y la jerarquía causal
Parte 4
11 Construyendo un flujo de trabajo de inferencia causal
12 Decisiones causales y aprendizaje por refuerzo
13 Causalidad y grandes modelos de lenguaje
Autor: Robert Osazuwa Ness
Editorial: Manning Publications
Publicado: 18/03/2025
Páginas: 520
Tipo de encuadernación: Tapa blanda
Peso: 1.95 libras
Tamaño: 9.20h x 7.40w x 1.20d
ISBN13: 9781633439917
ISBN10: 1633439917
Categorías BISAC:
- Informática | Inteligencia Artificial | Sistemas Expertos
- Informática | Lenguajes | Python
- Informática | Ciencia de Datos | Aprendizaje Automático
- Implementar inferencia causal con herramientas modernas de aprendizaje automático probabilístico como PyTorch y Pyro
- Comparar y contrastar métodos estadísticos y econométricos para la inferencia causal
- Configurar algoritmos para atribución, asignación de crédito y explicación
- Convertir la experiencia de dominio en modelos causales explicables El autor Robert Osazuwa Ness, un investigador líder en IA causal en Microsoft Research, aporta su experiencia única a esta guía de vanguardia. Su enfoque claro y basado en código explica los detalles esenciales del aprendizaje automático causal que están ocultos en los trabajos académicos. Todo lo que aprendas se puede aplicar fácil y eficazmente a los desafíos de la industria, desde la creación de modelos causales explicables hasta la predicción de resultados contrafactuales. Prólogo de Lindsay Edwards. La compra del libro impreso incluye un eBook gratuito en formato PDF y ePub de Manning Publications. Sobre la tecnología Los modelos tradicionales de ML no pueden responder preguntas causales como, "¿Por qué sucedió eso?" o, "¿Qué factores debería cambiar para obtener un resultado particular?" Este libro combina métodos estadísticos avanzados, técnicas computacionales y nuevos algoritmos para crear sistemas de aprendizaje automático que automaticen el proceso de inferencia causal. Sobre el libro Causal AI presenta las herramientas, técnicas y algoritmos del razonamiento causal para el aprendizaje automático. Este libro único combina magistralmente enfoques bayesianos y probabilísticos para la inferencia causal con ejemplos prácticos en Python. A lo largo del camino, aprenderás a integrar suposiciones causales en arquitecturas de aprendizaje profundo, incluyendo el aprendizaje por refuerzo y los modelos de lenguaje grandes. También utilizarás PyTorch, Pyro y otras bibliotecas de ML para escalar la inferencia causal. Qué contiene - Inferencia causal de extremo a extremo con DoWhy
- Modelos de IA generativa causal bayesiana profunda
- Un recorrido con código del do-cálculo y la jerarquía causal de Pearl
- Código para el ajuste fino de modelos de lenguaje grandes causales Sobre el lector Para científicos de datos e ingenieros de aprendizaje automático. Ejemplos en Python. Sobre el autor Robert Osazuwa Ness es investigador de IA en Microsoft Research y profesor en Northeastern University. Es colaborador de paquetes de inferencia causal de código abierto como DoWhy de Python y bnlearn de R. Tabla de contenidos Parte 1
1 Por qué la IA causal
2 Una introducción al modelado generativo probabilístico
Parte 2
3 Construyendo un modelo gráfico causal
4 Probando el DAG con restricciones causales
5 Conectando la causalidad y el aprendizaje profundo
Parte 3
6 Modelos causales estructurales
7 Intervenciones y efectos causales
8 Contrafactuales y mundos paralelos
9 El algoritmo general de inferencia contrafactual
10 Identificación y la jerarquía causal
Parte 4
11 Construyendo un flujo de trabajo de inferencia causal
12 Decisiones causales y aprendizaje por refuerzo
13 Causalidad y grandes modelos de lenguaje
Autor: Robert Osazuwa Ness
Editorial: Manning Publications
Publicado: 18/03/2025
Páginas: 520
Tipo de encuadernación: Tapa blanda
Peso: 1.95 libras
Tamaño: 9.20h x 7.40w x 1.20d
ISBN13: 9781633439917
ISBN10: 1633439917
Categorías BISAC:
- Informática | Inteligencia Artificial | Sistemas Expertos
- Informática | Lenguajes | Python
- Informática | Ciencia de Datos | Aprendizaje Automático
Sobre el Autor
Robert Osazuwa Ness es un investigador líder en IA causal en Microsoft Research. Es colaborador de paquetes de inferencia causal de código abierto como DoWhy de Python y bnlearn de R.