Descripción
Desmitifique la inferencia causal y el descubrimiento causal desvelando los principios causales y fusionándolos con potentes algoritmos de aprendizaje automático para datos observacionales y experimentales.
La compra del libro impreso o Kindle incluye un eBook en PDF gratuito
Características principales:
- Examine conceptos causales de Pearl, como modelos causales estructurales, intervenciones, contrafactuales y más.
- Descubra técnicas modernas de inferencia causal para la estimación del efecto del tratamiento promedio y heterogéneo.
- Explore y aproveche los métodos de descubrimiento causal tradicionales y modernos.
Descripción del libro:
Los métodos causales presentan desafíos únicos en comparación con el aprendizaje automático y las estadísticas tradicionales. Aprender la causalidad puede ser un desafío, pero ofrece ventajas distintas que eluden una mentalidad puramente estadística. Causal Inference and Discovery in Python le ayuda a desbloquear el potencial de la causalidad.
Comenzará con las motivaciones básicas detrás del pensamiento causal y una introducción completa a los conceptos causales de Pearl, como modelos causales estructurales, intervenciones, contrafactuales y más. Cada concepto se acompaña de una explicación teórica y un conjunto de ejercicios prácticos con código Python.
A continuación, se adentrará en el mundo de la estimación del efecto causal, progresando constantemente hacia métodos modernos de aprendizaje automático. Paso a paso, descubrirá el ecosistema causal de Python y aprovechará el poder de los algoritmos de vanguardia. Explorará además la mecánica de cómo "las causas dejan huellas" y comparará las principales familias de algoritmos de descubrimiento causal.
El capítulo final le ofrece una amplia perspectiva sobre el futuro de la IA causal, donde examinamos los desafíos y las oportunidades y le proporcionamos una lista completa de recursos para aprender más.
Lo que aprenderá:
- Dominar los conceptos fundamentales de la inferencia causal.
- Descifrar los misterios de los modelos causales estructurales.
- Desatar el poder del proceso de inferencia causal de 4 pasos en Python.
- Explorar técnicas avanzadas de modelado de mejora.
- Desbloquear los secretos del descubrimiento causal moderno usando Python.
- Usar la inferencia causal para el impacto social y el beneficio comunitario.
A quién va dirigido este libro:
Este libro está dirigido a ingenieros de aprendizaje automático, científicos de datos e investigadores de aprendizaje automático que buscan ampliar su conjunto de herramientas de ciencia de datos y explorar el aprendizaje automático causal. También ayudará a los desarrolladores familiarizados con la causalidad que hayan trabajado en otra tecnología y quieran cambiar a Python, y a los científicos de datos con un historial de trabajo con la causalidad tradicional que quieran aprender el aprendizaje automático causal. También es una lectura obligada para los emprendedores expertos en tecnología que buscan construir una ventaja competitiva para sus productos e ir más allá de las limitaciones del aprendizaje automático tradicional.
Autor: Aleksander Molak
Editorial: Packt Publishing
Publicado: 31/05/2023
Páginas: 456
Tipo de encuadernación: Tapa blanda
Peso: 1.71lbs
Tamaño: 9.25h x 7.50w x 0.92d
ISBN13: 9781804612989
ISBN10: 1804612987
Categorías BISAC:
- Informática | Ingeniería informática
- Informática | Diseño lógico
- Informática | Inteligencia artificial | General
Este título no es retornable