توضیحات
A concise and self-contained introduction to causal inference, increasingly important in data science and machine learning.
The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models and how to learn them from data.
After explaining the need for causal models and discussing some of the principles underlying causal inference, the book teaches readers how to use causal models: how to compute intervention distributions, how to infer causal models from observational and interventional data, and how causal ideas could be exploited for classical machine learning problems. All of these topics are discussed first in terms of two variables and then in the more general multivariate case. The bivariate case turns out to be a particularly hard problem for causal learning because there are no conditional independences as used by classical methods for solving multivariate cases. The authors consider analyzing statistical asymmetries between cause and effect to be highly instructive, and they report on their decade of intensive research into this problem.
The book is accessible to readers with a background in machine learning or statistics, and can be used in graduate courses or as a reference for researchers. The text includes code snippets that can be copied and pasted, exercises, and an appendix with a summary of the most important technical concepts.
————————————————————–
ترجمه ماشینی :
مقدمه ای مختصر و مستقل برای استنتاج علی، که اهمیت فزاینده ای در علم داده و یادگیری ماشین دارد. ریاضیسازی علیت یک پیشرفت نسبتاً جدید است و اهمیت فزایندهای در علم داده و یادگیری ماشین پیدا کرده است. این کتاب مقدمهای مستقل و مختصر برای مدلهای علی و نحوه یادگیری آنها از دادهها ارائه میکند. پس از توضیح نیاز به مدلهای علی و بحث در مورد برخی از اصول زیربنای استنتاج علی، این کتاب به خوانندگان میآموزد که چگونه از مدلهای علی استفاده کنند: نحوه محاسبه توزیعهای مداخله، نحوه استنتاج مدلهای علی از دادههای مشاهدهای و مداخلهای، و چگونگی ایدههای علی. می تواند برای مشکلات یادگیری ماشین کلاسیک مورد استفاده قرار گیرد. همه این موضوعات ابتدا برحسب دو متغیر و سپس در حالت کلی چند متغیره مورد بحث قرار می گیرند. مورد دو متغیره به ویژه مشکل سختی برای یادگیری علی است زیرا هیچ استقلال شرطی که توسط روشهای کلاسیک برای حل موارد چند متغیره استفاده میشود وجود ندارد. نویسندگان تجزیه و تحلیل عدم تقارن های آماری بین علت و معلول را بسیار آموزنده می دانند و آنها در مورد دهه تحقیق فشرده خود در مورد این مشکل گزارش می دهند. این کتاب برای خوانندگانی که سابقه یادگیری ماشین یا آمار دارند در دسترس است و می تواند در دوره های تحصیلات تکمیلی یا به عنوان مرجعی برای محققان استفاده شود. متن شامل قطعات کد قابل کپی و چسباندن، تمرینات و یک ضمیمه با خلاصه ای از مهمترین مفاهیم فنی است.
tag : دانلود کتاب عناصر استنتاج علی. مبانی و الگوریتم های یادگیری , Download عناصر استنتاج علی. مبانی و الگوریتم های یادگیری , دانلود عناصر استنتاج علی. مبانی و الگوریتم های یادگیری , Download Elements of Causal Inference. Foundations and Learning Algorithms Book , عناصر استنتاج علی. مبانی و الگوریتم های یادگیری دانلود , buy عناصر استنتاج علی. مبانی و الگوریتم های یادگیری , خرید کتاب عناصر استنتاج علی. مبانی و الگوریتم های یادگیری , دانلود کتاب Elements of Causal Inference. Foundations and Learning Algorithms , کتاب Elements of Causal Inference. Foundations and Learning Algorithms , دانلود Elements of Causal Inference. Foundations and Learning Algorithms , خرید Elements of Causal Inference. Foundations and Learning Algorithms , خرید کتاب Elements of Causal Inference. Foundations and Learning Algorithms ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.