ODBIERZ TWÓJ BONUS :: »

Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko Aleksander Molak

Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko Aleksander Molak - okladka książki

Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko Aleksander Molak - okladka książki

Autor:
Aleksander Molak
Wydawnictwo:
Helion
Wydawnictwo:
Helion
Ocena:
6.0/6  Opinie: 2
Stron:
421
Druk:
oprawa miękka
Dostępne formaty:
     PDF
     ePub
     Mobi

Zajrzyj do książki

Czytaj fragment
Książka
76,30 zł 109,00 zł (-30%)
65,40 zł najniższa cena z 30 dni

Dodaj do koszyka Darmowa dostawa od 60,00 zł Do darmowej dostawy brakuje Ci 0,00 zł Najtańsza dostawa od 9,90 zł Gratulujemy! Twoje zamówienie kwalifikuje się do darmowej wysyłki Wysyłamy w 24h

Ebook
59,94 zł 109,00 zł (-45%)
54,50 zł najniższa cena z 30 dni

Dodaj do koszyka Dostępny natychmiast po opłaceniu zakupu lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Do przechowalni

Powiadom o dostępności audiobooka »

Dla kogo jest ta książka?

Książka jest przeznaczona dla analityków danych, inżynierów uczenia maszynowego, programistów Pythona oraz wszystkich osób zainteresowanych praktycznym wykorzystaniem wnioskowania przyczynowego w analizie danych, także w kontekście generatywnej AI. Idealnie sprawdzi się zarówno dla początkujących i średniozaawansowanych użytkowników, którzy znają podstawy Pythona i mają ogólne pojęcie o analizie danych, ale nie wymagają zaawansowanej wiedzy matematycznej ani wcześniejszego doświadczenia z przyczynowością. Dzięki licznym przykładom, ćwiczeniom i wyjaśnieniom krok po kroku, publikacja pozwala szybko opanować nowoczesne techniki modelowania przyczynowego i zastosować je w praktycznych, biznesowych projektach. To także świetny wybór dla samouków i osób chcących poszerzyć kompetencje w zakresie nowoczesnego machine learningu i analizy danych.

Czego się nauczysz?

  • Rozróżniania korelacji od związków przyczynowych w analizie danych
  • Stosowania modeli strukturalnych (SCM) do modelowania przyczynowości
  • Budowania i interpretowania grafów przyczynowych (DAG) w Pythonie
  • Identyfikowania i analizowania efektów interwencji oraz kontrfaktów
  • Wykorzystywania kryteriów back-door i front-door do wnioskowania przyczynowego
  • Implementowania czteroetapowego procesu wnioskowania przyczynowego z użyciem DoWhy i EconML
  • Dobierania i walidowania modeli przyczynowych na podstawie danych i założeń
  • Stosowania technik dopasowywania, propensity score matching i inverse probability weighting
  • Wdrażania zaawansowanych estymatorów przyczynowych, takich jak DR-Learner i DML
  • Analizowania heterogenicznych efektów interwencji (CATE) z wykorzystaniem uczenia głębokiego
  • Wykorzystywania modeli drzew i lasów przyczynowych do analizy danych
  • Odkrywania związków przyczynowych za pomocą algorytmów PC, GES, ANM i LiNGAM
  • Stosowania bibliotek gCastle, DoWhy, EconML i PyTorch do praktycznej analizy przyczynowej
  • Wykorzystywania wiedzy eksperckiej i danych syntetycznych do budowy grafów przyczynowych
  • Rozwiązywania problemów z ukrytymi zakłóceniami przy użyciu zaawansowanych algorytmów (np. FCI, DECI)
  • Przekładania teorii przyczynowości na praktyczne zastosowania biznesowe i naukowe

W uczeniu maszynowym odkrywanie związków przyczynowych daje możliwości, jakich nie można uzyskać tradycyjnymi technikami statystycznymi. Najnowsze trendy w programowaniu pokazują, że przyczynowość staje się kluczowym zagadnieniem dla generatywnej sztucznej inteligencji. Niezbędna okazuje się więc znajomość grafów przyczynowych i zapytań konfrontacyjnych.

Dzięki tej książce łatwo przyswoisz teoretyczne podstawy i zaczniesz je płynnie wdrażać w rzeczywistych scenariuszach. Dowiesz się, w jaki sposób myślenie przyczynowe ułatwia rozwiązywanie problemów, i poznasz pojęcia Pearla, takie jak strukturalny model przyczynowy, interwencje, kontrfakty itp. Każde zagadnienie zostało dokładnie wyjaśnione i opatrzone zbiorem praktycznych ćwiczeń z kodem w Pythonie. Nauczysz się także implementować poszczególne modele i zrozumiesz, czym się kierować przy wyborze technik i algorytmów do rozwiązywania konkretnych scenariuszy przyczynowych. To przewodnik, który docenią szczególnie inżynierowie uczenia maszynowego i analitycy danych.

W książce:

  • wnioskowanie związków przyczynowych
  • budowa i działanie strukturalnych modeli przyczynowych
  • czteroetapowy proces wnioskowania związków przyczynowych w Pythonie
  • techniki modelowania efektu interwencji
  • nowoczesne metody odkrywania związków przyczynowych za pomocą Pythona
  • korzystanie z wnioskowania związków przyczynowych

Przyczyna i skutek, nic więcej. Pomyłki jako takie nie istnieją...

Jose Antonio Cotrina, hiszpański pisarz science fiction

Liście lecą, my...CZYTAMY! / do -45%

Wybrane bestsellery

O autorze 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. 

Helion - inne książki

Najczęściej zadawane pytania (FAQ)
1. Czy muszę znać zaawansowaną matematykę lub statystykę, aby skorzystać z tej książki?
Nie, książka wyjaśnia teoretyczne podstawy w przystępny sposób i prowadzi czytelnika krok po kroku przez praktyczne przykłady, dzięki czemu jest odpowiednia również dla osób z podstawową wiedzą matematyczną.
2. Jakie biblioteki Pythona są omawiane w książce?
W książce szczegółowo opisano wykorzystanie bibliotek DoWhy, EconML, PyTorch oraz gCastle, a także przedstawiono przykłady kodu i praktyczne ćwiczenia z ich użyciem.
3. Czy książka zawiera praktyczne ćwiczenia i przykłady kodu?
Tak, każde zagadnienie zostało opatrzone praktycznymi ćwiczeniami oraz fragmentami kodu w Pythonie, co ułatwia samodzielne wdrażanie omawianych technik.
4. Czy publikacja będzie pomocna w rozwiązywaniu rzeczywistych problemów biznesowych?
Tak, książka prezentuje realne scenariusze biznesowe i pokazuje, jak wykorzystać wnioskowanie przyczynowe do podejmowania lepszych decyzji oraz analizy danych w praktyce.
5. Czy książka nadaje się do samodzielnej nauki?
Tak, publikacja została napisana z myślą o samodzielnej nauce - zawiera liczne przykłady, ćwiczenia oraz wyjaśnienia, które pomagają zrozumieć i wdrożyć omawiane zagadnienia.
6. Czy znajdę w książce informacje o zastosowaniu uczenia głębokiego i przetwarzania języka naturalnego w kontekście przyczynowości?
Tak, osobne rozdziały poświęcone są wykorzystaniu uczenia głębokiego, przetwarzania języka naturalnego oraz zaawansowanych technik machine learningu w analizie związków przyczynowych.
7. W jakim formacie dostępna jest książka na Helion.pl?
Książka dostępna jest w wersji drukowanej oraz w formatach elektronicznych (eBook: PDF, ePub, mobi), co umożliwia naukę w dowolny, wygodny dla Ciebie sposób.

Zamknij

Przenieś na półkę
Dodano produkt na półkę
Usunięto produkt z półki
Przeniesiono produkt do archiwum
Przeniesiono produkt do biblioteki

Zamknij

Wybierz metodę płatności

Książka
76,30 zł
Dodaj do koszyka
Ebook
59,94 zł
Dodaj do koszyka
Płatności obsługuje:
Ikona płatności Alior Bank Ikona płatności Apple Pay Ikona płatności Bank PEKAO S.A. Ikona płatności Bank Pocztowy Ikona płatności Banki Spółdzielcze Ikona płatności BLIK Ikona płatności Crédit Agricole e-przelew Ikona płatności dawny BNP Paribas Bank Ikona płatności Google Pay Ikona płatności ING Bank Śląski Ikona płatności Inteligo Ikona płatności iPKO Ikona płatności mBank Ikona płatności Millennium Ikona płatności Nest Bank Ikona płatności Paypal Ikona płatności PayPo | PayU Płacę później Ikona płatności PayU Płacę później Ikona płatności Plus Bank Ikona płatności Płacę z Getin Bank Ikona płatności Płać z BOŚ Ikona płatności Płatność online kartą płatniczą Ikona płatności Santander Ikona płatności Visa Mobile