Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko
- Wydawnictwo:
- Helion
- Wydawnictwo:
- Helion
- Ocena:
- 6.0/6 Opinie: 2
- Stron:
- 421
- Druk:
- oprawa miękka
- Dostępne formaty:
-
PDFePubMobi
Opis ebooka: Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko
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
Wnioskowanie i związki przyczynowe w Pythonie
Metody przyczynowe w porównaniu z tradycyjnym uczeniem maszynowym i statystyką stanowią unikatowe wyzwanie. Nauka przyczynowości może być trudna, ale zdobycie tej wiedzy daje wyraźne korzyści, których nie da się uzyskać w przypadku stosowania czysto statystycznego sposobu myślenia. Książka Wnioskowanie i związki przyczynowe w Pythonie pomaga uwolnić potencjał przyczynowości.
Książka rozpoczyna się od przedstawienia podstawowych motywacji stojących za myśleniem przyczynowym i kompleksowego wprowadzenia do pojęć przyczynowych spopularyzowanych przez Pearla, takich jak strukturalne modele przyczynowe, interwencje, kontrfakty i inne. Każdemu pojęciu towarzyszy teoretyczne wyjaśnienie i zbiór praktycznych ćwiczeń z kodem w Pythonie.
Następnie zagłębisz się w świat szacowania efektów przyczynowych, konsekwentnie zmierzając w kierunku nowoczesnych metod uczenia maszynowego. Krok po kroku odkryjesz ekosystem przyczynowo-skutkowy Pythona i wykorzystasz możliwości najnowocześniejszych algorytmów. Dokładnie zbadasz sposób, w jaki "przyczyny pozostawiają ślady" i odkryjesz możliwości czterech głównych rodzin metod odkrywania związków przyczynowych.
Ostatni rozdział przedstawia szerokie spojrzenie na przyszłość przyczynowej sztucznej inteligencji, w którym przeanalizowano wyzwania i możliwości oraz udostępniono obszerną listę dodatkowych zasobów.
CZEGO SIĘ NAUCZYSZ?
- Podstawowe pojęcia wnioskowania związków przyczynowych.
- Tajniki strukturalnych modeli przyczynowych.
- 4-etapowy proces wnioskowania związków przyczynowych w Pythonie.
- Zaawansowane techniki modelowania efektu interwencji.
- Sekrety nowoczesnego odkrywania związków przyczynowych za pomocą Pythona.
- Wykorzystanie wnioskowania związków przyczynowych w celu pozytywnego oddziaływania na społeczności.
Wybrane bestsellery
-
This hands-on book will help you make your machine learning models fairer, safer, and more reliable and in turn improve business outcomes. Every chapter introduces a new mission where you learn how to apply interpretation methods to realistic use cases with methods that work for any model type as...
-
Causal Inference and Discovery in Python is a comprehensive exploration of the theory and techniques at the intersection of modern causality and machine learning. It covers fundamental concepts of Pearlian causal inference, explains the theory, and provides step-by-step code examples for both tra...
-
W dynamicznie zmieniającym się świecie biznesu automatyzacja procesów staje się kluczowym elementem sukcesu każdej organizacji. Technologia RPA (ang. robotic process automation) w połączeniu z zarządzaniem projektami i inżynierią oprogramowania tworzy nowy standard w zarządzaniu zasobami i operac...(49.05 zł najniższa cena z 30 dni)
76.30 zł
109.00 zł(-30%) -
Oto zaktualizowane wydanie popularnego przewodnika, dzięki któremu skorzystasz z ponad dwustu sprawdzonych receptur bazujących na najnowszych wydaniach bibliotek Pythona. Wystarczy, że skopiujesz i dostosujesz kod do swoich potrzeb. Możesz też go uruchamiać i testować za pomocą przykładowego zbio...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Światowy bestseller, dzięki któremu - według ostrożnych szacunków - codziennie ktoś staje się nowym MILIONEREM! Dowiedz się jak wykorzystać praktycznie nieograniczone możliwości Sztucznej Inteligencji. Nieważne, czy jesteś freelancerem, prowadzisz własną firmę, masz wolny zawód, chcesz zająć się ...
-
Książka stanowi kompendium wiedzy na temat tej niesłychanie szybko rozwijającej się i dynamicznie wkraczającej w nasze życie dziedziny. Została napisana tak, aby była przystępna dla osób posiadających podstawowe umiejętności matematyczne. Może stanowić podręcznik dla studentów takich kierunków ja...(29.40 zł najniższa cena z 30 dni)
29.40 zł
49.00 zł(-40%) -
To książka przeznaczona dla inżynierów, którzy chcą stosować systemy uczenia maszynowego do rozwiązywania rzeczywistych problemów biznesowych. Zaprezentowano w niej systemy ML używane w szybko rozwijających się startupach, a także przedstawiono holistyczne podejście do ich projektowania ― z...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
Ta książka jest praktycznym podręcznikiem opartym na sprawdzonej metodyce: nauce poprzez pisanie kodu w Pythonie. Aby w pełni z niego skorzystać, nie musisz znać wyższej matematyki. Dzięki praktycznym lekcjom szybko zaczniesz programowo tworzyć konkretne rozwiązania. Dowiesz się, jak można zaimpl...(53.40 zł najniższa cena z 30 dni)
53.40 zł
89.00 zł(-40%) -
To praktyczny przewodnik po algorytmach sztucznej inteligencji. Skorzystają z niego programiści i inżynierowie, którzy chcą zrozumieć zagadnienia i algorytmy związane ze sztuczną inteligencją na podstawie praktycznych przykładów i wizualnych wyjaśnień. Książka pokazuje, jak radzić sobie z takimi ...(47.40 zł najniższa cena z 30 dni)
47.40 zł
79.00 zł(-40%)
O autorze ebooka
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.
Ebooka "Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko" 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 »
Audiobooka "Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko" posłuchasz:
-
w aplikacji Ebookpoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych
-
na dowolnych urządzeniach i aplikacjach obsługujących format MP3 (pliki spakowane w ZIP)
Masz pytania? Zajrzyj do zakładki Pomoc »
Kurs Video "Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko" zobaczysz:
-
w aplikacjach Ebookpoint i Videopoint na Android, iOS, HarmonyOs
-
na systemach Windows, MacOS i innych z dostępem do najnowszej wersji Twojej przeglądarki internetowej
Szczegóły ebooka
- Tytuł oryginału:
- Causal Inference and Discovery in Python: Unlock the secrets of modern causal machine learning with DoWhy, EconML, PyTorch and more
- Tłumaczenie:
- Radosław Meryk
- ISBN Książki drukowanej:
- 978-83-289-0832-1, 9788328908321
- Data wydania książki drukowanej:
- 2024-05-28
- ISBN Ebooka:
- 978-83-289-0833-8, 9788328908338
- Data wydania ebooka:
- 2024-05-28 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.
- Format:
- 165x235
- Numer z katalogu:
- 222609
- Rozmiar pliku Pdf:
- 14.7MB
- Rozmiar pliku ePub:
- 12.6MB
- Rozmiar pliku Mobi:
- 23.5MB
- Pobierz przykładowy rozdział PDF
- Przykłady na ftp
Ebook zawiera materiały dodatkowe, które możesz pobrać z serwera FTP - link znajdziesz na stronie redakcyjnej.
Spis treści ebooka
- Krótka historia przyczynowości
- Dlaczego przyczynowość? Zapytaj dzieci!
- Interakcje ze światem
- Zakłócenia - związki, które nie są prawdziwe
- Jak nie stracić pieniędzy. i ludzkich istnień
- Dylemat marketera
- Pobawmy się w doktora!
- Asocjacje w realnym świecie
- Podsumowanie
- Bibliografia
- Od asocjacji do logiki i wyobraźni. Drabina przyczynowości
- Asocjacje
- Ćwiczenie
- Czym są interwencje?
- Zmienianie świata
- Korelacja i przyczynowość
- Czym są kontrfakty?
- Zanurzmy się w dziwactwa (zapis formalny)
- Podstawowy problem wnioskowania przyczynowego
- Obliczanie kontrfaktów
- Czas na kodowanie!
- Dodatek. Czym jest uczenie maszynowe z perspektywy przyczynowości?
- Przyczynowość a uczenie ze wzmocnieniem
- Przyczynowość a uczenie półnadzorowane i nienadzorowane
- Podsumowanie
- Bibliografia
- Wprowadzenie. Dane obserwacyjne a regresja liniowa
- Regresja liniowa
- Wartości p i istotność statystyczna
- Interpretacja geometryczna regresji liniowej
- Odwrócenie kolejności
- Czy zawsze należy kontrolować wszystkie dostępne współzmienne?
- Poruszanie się po labiryncie
- Jeśli nie wiesz, dokąd zmierzasz, możesz trafić gdzie indziej
- Pójdźmy dalej!
- Kontrolować czy nie kontrolować?
- Modele regresyjne a modele strukturalne
- Modele SCM
- Regresja liniowa a modele SCM
- Szukanie powiązania
- Regresja a skutki przyczynowe
- Podsumowanie
- Bibliografia
- Grafy, grafy, grafy
- Rodzaje grafów
- Reprezentacje grafów
- Grafy w Pythonie
- Czym jest model grafów?
- Skierowane grafy acykliczne w świecie związków przyczynowych
- Definicje przyczynowości
- Grafy DAG a przyczynowość
- Formalna definicja grafów DAG
- Ograniczenia grafów DAG
- Źródła grafów przyczynowych w świecie rzeczywistym
- Odkrywanie związków przyczynowych
- Wiedza ekspercka
- Połączenie technik odkrywania związków przyczynowych i wiedzy eksperckiej
- Dodatek. Czy można opisywać związki przyczynowe bez grafów DAG?
- Układy dynamiczne
- Cykliczne modele SCM
- Podsumowanie
- Bibliografia
- Grafy i rozkłady oraz sposoby mapowania między nimi
- Jak opisywać niezależność?
- Wybór właściwego kierunku
- Warunki i założenia
- Łańcuchy, rozwidlenia i kolidery
- Łańcuch zdarzeń
- Łańcuchy
- Rozwidlenia
- Kolidery lub struktury v
- Przypadki niejednoznaczne
- Rozwidlenia, łańcuchy, kolidery i regresja
- Tworzenie zbioru danych dla łańcucha
- Tworzenie zestawu danych dla rozwidlenia
- Tworzenie zbioru danych dla kolidera
- Dopasowanie modeli regresji
- Podsumowanie
- Bibliografia
- Zadbaj o separację d!
- Trening czyni mistrza - separacja d
- Najpierw estymandy!
- Żyjemy w świecie estymatorów
- Czym są estymandy?
- Kryterium back-door
- Czym jest kryterium back-door?
- Kryterium back-door a estymandy równoważne
- Kryterium front-door
- Czy GPS może nas wyprowadzić na manowce?
- Londyńskie taksówki i magiczny kamień
- Otwarcie frontowych drzwi
- Trzy proste kroki w kierunku kryterium front-door
- Kryterium front-door w praktyce
- Czy są jakieś inne kryteria? Zastosujmy rachunek do!
- Trzy zasady rachunku do
- Zmienne instrumentalne
- Podsumowanie
- Odpowiedź
- Bibliografia
- Wprowadzenie do bibliotek DoWhy i EconML
- Ekosystem analizy przyczynowej Pythona
- Dlaczego DoWhy?
- Czym jest pakiet DoWhy?
- A co z biblioteką EconML?
- Krok 1. Modelowanie problemu
- Utworzenie grafu
- Tworzenie obiektu CausalModel
- Krok 2. Identyfikacja estymand
- Krok 3. Wyznaczanie oszacowań
- Krok 4. Zestaw walidacyjny. Testy obalające
- Jak walidować modele przyczynowe?
- Wprowadzenie do testów obalających
- Pełny przykład
- Krok 1. Zakodowanie założeń
- Krok 2. Wyznaczenie estymandy
- Krok 3. Wyznaczenie oszacowania
- Krok 4. Obalenie oszacowania
- Podsumowanie
- Bibliografia
- Jestem królem świata! Czy rzeczywiście tak jest?
- Gdzieś pośrodku
- Identyfikowalność
- Brak grafów przyczynowych
- Za mało danych
- Nieweryfikowalne założenia
- Słoń w pokoju - nadzieja czy beznadzieja?
- Zjedzmy słonia
- Dodatniość
- Wymienność
- Podmioty wymienne
- Wymienność a zakłócenia
- .i inne
- Modułowość
- SUTVA
- Spójność
- Nazywaj mnie po imieniu - relacje pozorne
- Nazwy, nazwy, nazwy
- Czy powinienem zapytać Ciebie, czy kogoś, kogo tu nie ma?
- Stwórzcie graf DAG!
- Dodatkowe informacje o stronniczości wyboru
- Podsumowanie
- Bibliografia
- Podstawy I. Dopasowywanie
- Rodzaje dopasowywania
- Efekty interwencji - ATE w porównaniu z ATT i ATC
- Estymatory dopasowywania
- Implementacja dopasowywania
- Podstawy II. Współczynniki skłonności
- Dopasowywanie w praktyce
- Zmniejszenie wymiarowości za pomocą współczynników skłonności
- Dopasowywanie współczynników skłonności (PSM)
- Odwrotne ważenie prawdopodobieństwa (IPW)
- Wiele twarzy współczynników skłonności
- Formalizacja techniki IPW
- Implementacja IPW
- IPW - względy praktyczne
- S-Learner - samotny stróż
- Diabeł tkwi w szczegółach
- Mamo, tato, poznajcie CATE
- Żarty na bok. Pozdrowienia dla heterogenicznego tłumu
- Machanie flagą założeń
- Jesteś jedyny. Modelowanie z wykorzystaniem techniki S-Learner
- Dane o niewielkiej objętości
- Słabe punkty modelu S-Learner
- T-Learner. Razem możemy więcej
- Wymuszenie właściwego podziału zmiennych
- T-Learner w czterech krokach i wzory
- Implementacja modelu T-Learner
- X-Learner. Krok dalej
- Wyciskanie cytryny
- Rekonstrukcja modelu X-Learner
- X-Learner. Formuła alternatywna
- Implementacja X-Learner
- Podsumowanie
- Bibliografia
- Metody DR. Spróbujmy uzyskać więcej!
- Czy potrzebujemy czegoś więcej?
- Podwójnie wzmocniony nie oznacza niezniszczalny...
- ...ale pozwala wiele zyskać
- Sekretny, podwójnie mocny sos
- Estymator DR a założenia
- DR-Learner. Przechodzenie nad przepaścią
- Modele DR-Learner - opcje dodatkowe
- Ukierunkowany estymator maksymalnego prawdopodobieństwa
- Jeśli uczenie maszynowe jest fajne, to co powiesz na podwójne uczenie maszynowe?
- Dlaczego DML i co jest w nim podwójnego?
- Implementacja DML za pomocą bibliotek DoWhy i EconML
- Dostrajanie hiperparametrów za pomocą bibliotek DoWhy i EconML
- Czy DML jest srebrną kulą?
- Techniki DR a DML
- Co z tego będę miał?
- Lasy przyczynowe i nie tylko
- Drzewa przyczynowe
- Przepełnienia lasów
- Zalety lasów przyczynowych
- Lasy przyczynowe z wykorzystaniem bibliotek
- DoWhy i EconML
- Niejednorodne efekty interwencji z danymi eksperymentalnymi - odyseja upliftingu
- Dane
- Wybór frameworka
- Nie znamy połowy tej historii
- Wyzwanie Kevina
- Otwarcie skrzynki z narzędziami
- Modele uplift a wydajność
- Inne wskaźniki dla wyników ciągłych z wieloma interwencjami
- Przedziały ufności
- Zwycięski wynik w wyzwaniu Kevina
- Kiedy należy stosować estymatory CATE dla danych eksperymentalnych?
- Wybór modelu. Uproszczony przewodnik
- Dodatek. Objaśnienia kontrfaktyczne
- Zła wola czy nieodpowiednia technologia?
- Podsumowanie
- Bibliografia
- Wykorzystanie technik uczenia głębokiego do wyznaczania heterogenicznych efektów interwencji
- Wskaźniki CATE sięgają głębiej
- SNet
- Transformatory i wnioskowanie związków przyczynowych
- Teoria znaczenia w pięciu akapitach
- Co zrobić, by komputery rozumiały język naturalny?
- Od filozofii do kodu Pythona
- Modele LLM a przyczynowość
- Trzy scenariusze
- CausalBert
- Przyczynowość i szeregi czasowe, czyli kiedy ekonometryk przechodzi na Bayesa
- Metody quasi-eksperymentalne
- Przejęcie Twittera i wzorce googlowania
- Logika syntetycznych kontroli
- Wizualne wprowadzenie do logiki kontroli syntetycznej
- Na początek dane
- Kontrola syntetyczna w kodzie
- Wyzwania
- Podsumowanie
- Bibliografia
- Źródła wiedzy przyczynowej
- Zalew informacji
- Siła zaskoczenia
- Spostrzeżenia naukowe
- Logika nauki
- Hipotezy są gatunkiem
- Jedna logika, wiele dróg
- Eksperymenty kontrolowane
- Randomizowane badania kontrolowane
- Od eksperymentów do grafów
- Symulacje
- Osobiste doświadczenia i wiedza dziedzinowa
- Osobiste doświadczenia
- Wiedza dziedzinowa
- Uczenie się struktury przyczynowej
- Podsumowanie
- Bibliografia
- Odkrywanie związków przyczynowych - przypomnienie informacji o założeniach
- Przygotowania
- Należy zawsze dążyć do zapewnienia wierności...
- ...ale czasami to jest trudne
- Minimalizm jest cnotą
- Cztery (i pół) rodziny
- Cztery strumienie
- Wprowadzenie do pakietu gCastle
- Witaj, gCastle!
- Dane syntetyczne w gCastle
- Dopasowywanie pierwszego modelu odkrywania związków przyczynowych
- Wizualizacja modelu
- Wskaźniki oceny modelu
- Odkrywanie związków przyczynowych oparte na ograniczeniach
- Ograniczenia i niezależność
- Wykorzystanie struktury niezależności w celu odtworzenia grafu
- Algorytm PC - ukryte wyzwania
- Algorytm PC dla danych kategorialnych
- Odkrywanie związków przyczynowych na podstawie punktacji
- Tabula rasa - zaczynamy od nowa
- GES - punktacja
- Algorytm GES w bibliotece gCastle
- Funkcyjne odkrywanie związków przyczynowych
- Błogosławieństwa asymetrii
- Model ANM
- Ocena niezależności
- Czas na LiNGAM
- Odkrywanie związków przyczynowych oparte na gradientach
- Czym jest ten gradient?
- Proszę nie ronić łez!
- Nie płacz, GOLEM!
- Porównanie
- Kodowanie wiedzy eksperckiej
- Czym jest wiedza ekspercka?
- Wiedza ekspercka w bibliotece gCastle
- Podsumowanie
- Bibliografia
- Zaawansowane odkrywanie związków przyczynowych za pomocą uczenia głębokiego
- Od modeli generatywnych do przyczynowości
- Spójrz wstecz, aby dowiedzieć się, kim jesteś
- Elementy składowe frameworka DECI
- Implementacja DECI
- DECI to rozwiązanie kompleksowe
- Odkrywanie związków przyczynowych w wypadku występowania ukrytych zakłóceń
- Algorytm FCI
- Inne podejścia do danych z zakłóceniami
- Dodatek. Nie tylko obserwacje
- ENCO
- ABCI
- Odkrywanie związków przyczynowych - praktyczne zastosowania, wyzwania i otwarte problemy
- Podsumowanie
- Bibliografia
- Czego nauczyłeś się z tej książki?
- Pięć kroków do jak najlepszego wykorzystania projektów przyczynowych
- Zadaj pytanie
- Zdobądź wiedzę ekspercką
- Wygeneruj hipotetyczny graf (grafy)
- Sprawdź identyfikowalność
- Dokonaj falsyfikacji hipotez
- Przyczynowość w biznesie
- Jak eksperci analizy przyczynowej przechodzą od wizji do implementacji?
- Przyszłość przyczynowego uczenia maszynowego
- Gdzie jesteśmy dziś i dokąd zmierzamy?
- Wskaźniki przyczynowe
- Fuzja danych przyczynowych
- Agenty interwencji
- Uczenie się struktury przyczynowej
- Uczenie się przez naśladowanie
- Studiowanie przyczynowości
- Pozostańmy w kontakcie
- Podsumowanie
- Bibliografia
O autorze
O recenzentach
Podziękowania
Słowo wstępne
Przedmowa
CZĘŚĆ 1. Przyczynowość - wprowadzenie
Rozdział 1. Związki przyczynowe? Przecież jest uczenie maszynowe, więc po co zawracać sobie tym głowę?
Rozdział 2. Judea Pearl i drabina przyczynowości
Rozdział 3. Regresja, obserwacje i interwencje
Rozdział 4. Modele grafów
Rozdział 5. Rozwidlenia, łańcuchy i kolidery
CZĘŚĆ 2. Wnioskowanie związków przyczynowych
Rozdział 6. Węzły, krawędzie i statystyczna (nie)zależność
Rozdział 7. Czteroetapowy proces wnioskowania przyczynowego
Rozdział 8. Modele przyczynowe. Założenia i wyzwania
Rozdział 9. Wnioskowanie związków przyczynowych i uczenie maszynowe - od dopasowywania do metalearnerów
Rozdział 10. Wnioskowanie związków przyczynowych i uczenie maszynowe - zaawansowane estymatory, eksperymenty, oceny i nie tylko
Rozdział 11. Wnioskowanie związków przyczynowych i uczenie maszynowe - uczenie głębokie, przetwarzanie języka naturalnego i inne techniki
CZĘŚĆ 3. Odkrywanie związków przyczynowych
Rozdział 12. Czy można prosić o graf przyczynowy?
Rozdział 13. Odkrywanie związków przyczynowych i uczenie maszynowe - od założeń do zastosowań
Rozdział 14. Odkrywanie związków przyczynowych i uczenie maszynowe - zaawansowane uczenie głębokie i nie tylko
Rozdział 15. Epilog
Skorowidz
Oceny i opinie klientów: Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko Aleksander Molak (2) Weryfikacja opinii następuję na podstawie historii zamówień na koncie Użytkownika umieszczającego opinię. Użytkownik mógł otrzymać punkty za opublikowanie opinii uprawniające do uzyskania rabatu w ramach Programu Punktowego.
(2)
(0)
(0)
(0)
(0)
(0)
więcej opinii