{"product_id":"causal-ai-9781633439917","title":"IA Causal","description":"\u003cb\u003eCrea modelos de IA que puedan ofrecer inferencias causales de forma fiable.\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003e¿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. \u003ci\u003eCausal AI\u003c\/i\u003e es una introducción práctica a la construcción de modelos de IA que pueden razonar sobre la causalidad. \u003cp\u003e\u003c\/p\u003eEn \u003ci\u003eCausal AI\u003c\/i\u003e aprenderás a: \u003cp\u003e\u003c\/p\u003e- Construir algoritmos de aprendizaje por refuerzo causal\u003cbr\u003e - Implementar inferencia causal con herramientas modernas de aprendizaje automático probabilístico como PyTorch y Pyro\u003cbr\u003e - Comparar y contrastar métodos estadísticos y econométricos para la inferencia causal\u003cbr\u003e - Configurar algoritmos para atribución, asignación de crédito y explicación\u003cbr\u003e - Convertir la experiencia de dominio en modelos causales explicables \u003cp\u003e\u003c\/p\u003e El autor \u003cb\u003eRobert Osazuwa Ness\u003c\/b\u003e, 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. \u003cp\u003e\u003c\/p\u003e Prólogo de \u003cb\u003eLindsay Edwards\u003c\/b\u003e. \u003cp\u003e\u003c\/p\u003eLa compra del libro impreso incluye un eBook gratuito en formato PDF y ePub de Manning Publications. \u003cp\u003e\u003c\/p\u003e \u003cb\u003eSobre la tecnología\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003e 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. \u003cp\u003e\u003c\/p\u003e \u003cb\u003eSobre el libro\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003e \u003ci\u003eCausal AI\u003c\/i\u003e 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. \u003cp\u003e\u003c\/p\u003e \u003cb\u003eQué contiene\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003e- Inferencia causal de extremo a extremo con DoWhy\u003cbr\u003e - Modelos de IA generativa causal bayesiana profunda\u003cbr\u003e - Un recorrido con código del do-cálculo y la jerarquía causal de Pearl\u003cbr\u003e - Código para el ajuste fino de modelos de lenguaje grandes causales \u003cp\u003e\u003c\/p\u003e\u003cb\u003eSobre el lector\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003e Para científicos de datos e ingenieros de aprendizaje automático. Ejemplos en Python. \u003cp\u003e\u003c\/p\u003e \u003cb\u003eSobre el autor\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003e \u003cb\u003eRobert Osazuwa Ness\u003c\/b\u003e 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. \u003cp\u003e\u003c\/p\u003e \u003cb\u003eTabla de contenidos\u003c\/b\u003e \u003cp\u003e\u003c\/p\u003e Parte 1\u003cbr\u003e 1 Por qué la IA causal\u003cbr\u003e 2 Una introducción al modelado generativo probabilístico\u003cbr\u003e Parte 2\u003cbr\u003e 3 Construyendo un modelo gráfico causal\u003cbr\u003e 4 Probando el DAG con restricciones causales\u003cbr\u003e 5 Conectando la causalidad y el aprendizaje profundo\u003cbr\u003e Parte 3\u003cbr\u003e 6 Modelos causales estructurales\u003cbr\u003e 7 Intervenciones y efectos causales\u003cbr\u003e 8 Contrafactuales y mundos paralelos\u003cbr\u003e 9 El algoritmo general de inferencia contrafactual\u003cbr\u003e 10 Identificación y la jerarquía causal\u003cbr\u003e Parte 4\u003cbr\u003e 11 Construyendo un flujo de trabajo de inferencia causal\u003cbr\u003e 12 Decisiones causales y aprendizaje por refuerzo\u003cbr\u003e 13 Causalidad y grandes modelos de lenguaje\u003cbr\u003e\u003cbr\u003e\u003cb\u003eAutor:\u003c\/b\u003e \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=AUTH-17872641\"\u003eRobert Osazuwa Ness\u003c\/a\u003e\u003cbr\u003e\u003cb\u003eEditorial:\u003c\/b\u003e Manning Publications\u003cbr\u003e\u003cb\u003ePublicado:\u003c\/b\u003e 18\/03\/2025\u003cbr\u003e\u003cb\u003ePáginas:\u003c\/b\u003e 520\u003cbr\u003e\u003cb\u003eTipo de encuadernación:\u003c\/b\u003e Tapa blanda\u003cbr\u003e\u003cb\u003ePeso:\u003c\/b\u003e 1.95 libras\u003cbr\u003e\u003cb\u003eTamaño:\u003c\/b\u003e 9.20h x 7.40w x 1.20d\u003cbr\u003e\u003cb\u003eISBN13:\u003c\/b\u003e 9781633439917\u003cbr\u003e\u003cb\u003eISBN10:\u003c\/b\u003e 1633439917\u003cbr\u003e\u003cb\u003eCategorías BISAC:\u003c\/b\u003e\u003cbr\u003e- \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=CAT-COM\"\u003eInformática\u003c\/a\u003e | \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=BISAC-COM025000\"\u003eInteligencia Artificial | Sistemas Expertos\u003c\/a\u003e\u003cbr\u003e- \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=CAT-COM\"\u003eInformática\u003c\/a\u003e | \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=BISAC-COM051360\"\u003eLenguajes | Python\u003c\/a\u003e\u003cbr\u003e- \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=CAT-COM\"\u003eInformática\u003c\/a\u003e | \u003ca href=\"https:\/\/sureshotbooks-com.myshopify.com\/search?type=product%2Carticle%2Cpage\u0026amp;q=BISAC-COM094000\"\u003eCiencia de Datos | Aprendizaje Automático\u003c\/a\u003e\u003cbr\u003e\u003cbr\u003e\u003cp\u003e\u003cb\u003eSobre el Autor\u003c\/b\u003e\u003cbr\u003e\u003cb\u003eRobert \u003c\/b\u003e\u003cb\u003eOsazuwa\u003c\/b\u003e \u003cb\u003eNess\u003c\/b\u003e 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.\u003c\/p\u003e","brand":"Manning Publications","offers":[{"title":"Default Title","offer_id":48458009575661,"sku":"9781633439917","price":79.98,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0550\/8097\/6621\/files\/img_018ff0db-7fb3-463f-ba25-f31ba2ecb505.jpg?v=1753592837","url":"https:\/\/sureshotbooks.com\/es\/products\/causal-ai-9781633439917","provider":"SureShot Books Publishing LLC","version":"1.0","type":"link"}