Causal Inference and Discovery in Python. Unlock the secrets of modern causal machine learning with DoWhy, EconML, PyTorch and more Aleksander Molak, Ajit Jaokar

Causal Inference and Discovery in Python. Unlock the secrets of modern causal machine learning with DoWhy, EconML, PyTorch and more Aleksander Molak, Ajit Jaokar - okladka książki

Autorzy:: Aleksander Molak, Ajit Jaokar
Serie wydawnicze:: Learning
Wydawnictwo:: Packt Publishing (Z chęcią przeczytam książkę w języku polskim)
Ocena:: Bądź pierwszym, który oceni tę książkę
Stron:: 466
Dostępne formaty:: PDF

ePub

Ebook

134,10 zł ~~149,00 zł~~ (-10%)

68,90 zł najniższa cena z 30 dni

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Causal methods present unique challenges compared to traditional machine learning and statistics. Learning causality can be challenging, but it offers distinct advantages that elude a purely statistical mindset. Causal Inference and Discovery in Python helps you unlock the potential of causality.
You’ll start with basic motivations behind causal thinking and a comprehensive introduction to Pearlian causal concepts, such as structural causal models, interventions, counterfactuals, and more. Each concept is accompanied by a theoretical explanation and a set of practical exercises with Python code. Next, you’ll dive into the world of causal effect estimation, consistently progressing towards modern machine learning methods. Step-by-step, you’ll discover Python causal ecosystem and harness the power of cutting-edge algorithms. You’ll further explore the mechanics of how “causes leave traces” and compare the main families of causal discovery algorithms. The final chapter gives you a broad outlook into the future of causal AI where we examine challenges and opportunities and provide you with a comprehensive list of resources to learn more.
By the end of this book, you will be able to build your own models for causal inference and discovery using statistical and machine learning techniques as well as perform basic project assessment.

Wybrane bestsellery

O autorach książki

Aleksander Molak jest niezależnym badaczem i konsultantem w dziedzinie uczenia maszynowego. Współpracował z licznymi firmami w Europie, USA i Izraelu, gdzie uczestniczył w tworzeniu wielkoskalowych systemów uczenia maszynowego. Jest też współzałożycielem firmy Lespire.io, dostawcy szkoleń z zakresu sztucznej inteligencji dla zespołów korporacyjnych.

Ajit Jaokar jest specjalistą data science w Feynlabs, gdzie buduje prototypy AI dla złożonych aplikacji. Jest również kierownikiem kursu AI na Uniwersytecie Oksfordzkim.

Aleksander Molak, Ajit Jaokar - pozostałe książki

Zobacz pozostałe książki z serii Learning

Ebooka "Causal Inference and Discovery in Python. Unlock the secrets of modern causal machine learning with DoWhy, EconML, PyTorch and more" przeczytasz na:

czytnikach Inkbook, Kindle, Pocketbook, Onyx Boox i innych
systemach Windows, MacOS i innych

systemach Windows, Android, iOS, HarmonyOS
na dowolnych urządzeniach i aplikacjach obsługujących formaty: PDF, EPub, Mobi

Masz pytania? Zajrzyj do zakładki Pomoc »

Oceny i opinie klientów: Causal Inference and Discovery in Python. Unlock the secrets of modern causal machine learning with DoWhy, EconML, PyTorch and more Aleksander Molak, Ajit Jaokar

(0)

Szczegóły książki

Tytuł oryginału:: Causal Inference and Discovery in Python. Unlock the secrets of modern causal machine learning with DoWhy, EconML, PyTorch and more
ISBN Ebooka:: 978-18-046-1173-9, 9781804611739
Data wydania ebooka :: 2023-05-31 Data wydania ebooka często jest dniem wprowadzenia tytułu do sprzedaży i może nie być równoznaczna z datą wydania książki papierowej. Dodatkowe informacje możesz znaleźć w darmowym fragmencie. Jeśli masz wątpliwości skontaktuj się z nami sklep@ebookpoint.pl.
Język publikacji:: angielski
Rozmiar pliku Pdf:: 11MB
Rozmiar pliku ePub:: 10.1MB

Zgłoś erratę
Serie wydawnicze: Learning

Kategorie

Kliknij, aby zgłosić błędnie przypisaną kategorię »

Informatyka » Sztuczna inteligencja

Dostępność produktu

Produkt nie został jeszcze oceniony pod kątem ułatwień dostępu lub nie podano żadnych informacji o ułatwieniach dostępu lub są one niewystarczające. Prawdopodobnie Wydawca/Dostawca jeszcze nie umożliwił dokonania walidacji produktu lub nie przekazał odpowiednich informacji na temat jego dostępności.

Spis treści książki

1. Causality – Hey, We Have Machine Learning, So Why Even Bother?
2. Judea Pearl and the Ladder of Causation
3. Regression, Observations, and Interventions
4. Graphical Models
5. Forks, Chains, and Immoralities
6. Nodes, Edges, and Statistical (In)dependence
7. The Four-Step Process of Causal Inference
8. Causal Models – Assumptions and Challenges
9. Causal Inference and Machine Learning – from Matching to Meta- Learners
10. Causal Inference and Machine Learning – Advanced Estimators, Experiments, Evaluations, and More
11. Causal Inference and Machine Learning – Deep Learning, NLP, and Beyond
12. Can I Have a Causal Graph, Please?
13. Causal Discovery and Machine Learning – from Assumptions to Applications
14. Causal Discovery and Machine Learning – Advanced Deep Learning and Beyond
15. Epilogue

pokaż cały spis treści