- Editorial:
- ANAYA MULTIMEDIA, S.A.
- Año de edición:
- 2024
- ISBN:
- 978-84-415-4920-3
- Páginas:
- 432
- Encuadernación:
- Rústica
- LIBRERIA TAGOROR Disponibilidad inmediata
- TAGOROR CORRALEJO Consultar disponibilidad
INFERENCIA Y DESCUBRIMIENTO CAUSAL EN PYTHON
DESCUBRA LOS SECRETOS DEL MACHINE LEARNING CAUSAL MODERNO CON DOWHY, ECONML, PYT
MOLAK, ALEKSANDER
Disponibilidad:
En comparación con el aprendizaje automático tradicional y las estadísticas, los métodos causales presentan desafíos únicos. Aprender causalidad puede ser difícil, pero ofrece distintas ventajas que escapan a una mentalidad puramente estadística. Este libro ayuda a liberar todo el potencial de la causalidad.El libro comienza con las motivaciones básicas del pensamiento causal y una completa introducción a conceptos causales pearlianos, como los modelos causales estructurales, las intervenciones, los contrafactuales, etc. Cada concepto va acompañado de una explicación teórica y una serie de ejercicios prácticos con código Python. A continuación, entra de lleno en el mundo de la estimación del efecto causal, y avanza hacia los métodos de aprendizaje automático modernos.Paso a paso, descubrirás el ecosistema causal de Python y aprovecharás la potencia de los algoritmos más avanzados. Además, explorarás la mecánica de las huellas que dejan las causas y descubrirás las cuatro familias principales de métodos de descubrimiento causal. El capítulo final ofrece una amplia visión general del futuro de la IA causal, co
Agradecimientos
Sobre el autor
Prólogo
Prefacio
Parte 1. Causalidad - Introducción
Capítulo 1. Causalidad: ¿para qué molestarse si ya tenemos aprendizaje automático?
Capítulo 2. Judea Pearl y la escalera de la causalidad.
Capítulo 3. Regresión, observaciones e intervenciones
Capítulo 4. Modelos gráficos
Capítulo 5. Bifurcaciones, cadenas causales e inmoralidades
Parte 2. Inferencia causal
Capítulo 6. Nodos, aristas y la (in)dependencia estadística
Capítulo 7. El proceso en cuatro fases de la inferencia causal
Capítulo 8. Modelos causales: suposiciones y desafíos
Capítulo 9. Inferencia causal y aprendizaje automático: del emparejamiento a los meta aprendices
Capítulo 10. Inferencia causal y aprendizaje automático: estimadores avanzados, experimentos, evaluaciones y mucho más
Capítulo 11. Inferencia causal y aprendizaje automático: aprendizaje profundo, PLN y mucho más
Parte 3. Descubrimiento causal
Capítulo 12. Gráficos causales
Capítulo 13. Descubrimiento causal y aprendizaje automático: de las suposiciones a las aplicaciones
Capítulo 14. Descubrimiento causal y aprendizaje automático: aprendizaje profundo avanzado y mucho más
Capítulo 15. Epílogo
Índice alfabético
