因果推理 基础与学习算法
全新正版 假一赔十 可开发票
￥ 56.71 6.4折 ￥ 89 全新
库存10件
北京东城
认证卖家担保交易快速发货售后保障
作者(荷)乔纳斯·彼得斯 等
出版社机械工业出版社
ISBN9787111640301
出版时间2021-05
装帧平装
开本16开
定价89元
货号1202373843
上书时间2024-09-08
商品详情
- 品相描述：全新
- 商品描述
-
目录
译者序
原书前言
符号和术语
章 统计和因果模型
1.1 概率论与统计学
1.2 学习理论
1.3 因果建模和学习
1.4 两个实例
1.4.1 模式识别
1.4.2 基因干扰
第2章 因果推断假设
2.1 独立机制原则
2.2 历史记录
2.3 因果模型的物理结构
2.3.1 时间的作用
2.3.2 物理定律
2.3.3 循环赋值
2.3.4 干预的可行性
2.3.5 原因和机制的独立性以及时间的热力学之箭
第3章 原因-效果模型
3.1 结构因果模型
3.2 干预
3.3 反事实
3.4 结构因果模型的标准表示
3.5 问题
第4章 学习原因-效果模型
4.1 结构可识别性
4.1.1 为什么需要额外的假设
4.1.2 假设类型的概述
4.1.3 非高斯加性噪声的线性模型
4.1.4 非线性加性噪声模型
4.1.5 离散加性噪声模型
4.1.6 后非线性模型
4.1.7 信息-几何因果推断
4.1.8 Trace方法
4.1.9 以算法信息理论为可能的基础
4.2 结构识别方法
4.2.1 加性噪声模型
4.2.2 信息几何因果推断
4.2.3 Trace方法
4.2.4 监督学习方法
4.3 问题
第5章 与机器学习的联系1
5.1 半监督学习
5.1.1 半监督学习和因果方向
5.1.2 关于半监督学习在因果方向上的注释
5.2 协变量偏移
5.3 问题
第6章 多变量因果模型
6.1 图的术语
6.2 结构因果模型
6.3 干预
6.4 反事实
6.5 马尔可夫性、忠实性和因果最小性
6.5.1 马尔可夫性
6.5.2 因果图模型
6.5.3 忠实性和因果最小性
6.6 通过协变量调整计算干预分布
6.7 do-calculus
6.8 因果模型的等价性和可证伪性
6.9 潜在的结果
6.9.1 定义与实例
6.9.2 潜在的结果与结构因果模型之间的关系
6.10 单一对象的广义结构因果模型
6.11 条件算法独立性
6.12 问题
第7章 学习多变量因果模型
7.1 结构可识别性
7.1.1 忠实性
7.1.2 加性噪声模型
7.1.3 具有等误差方差的线性高斯模型
7.1.4 线性非高斯无环模型
7.1.5 非线性高斯加性噪声模型
7.1.6 观测数据和实验数据
7.2 结构识别方法
7.2.1 基于独立的方法
7.2.2 基于分数的方法
7.2.3 加性噪声模型
7.2.4 已知因果次序
7.2.5 观测数据与实验数据
7.3 问题
第8章 与机器学习的联系2
8.1 半同胞回归
8.2 因果推断与场景强化学习
8.2.1 逆概率加权
8.2.2 场景强化学习
8.2.3 21点（Blackjack）中的状态简化
8.2.4 改进广告布置的加权
8.3 域适应
8.4 问题
第9章 隐藏变量
9.1 干预充分性
9.2 Simpson悖论
9.3 工具变量
9.4 条件独立性和图表示
9.4.1 图
9.4.2 快速因果推断
9.5 条件独立性之外的约束
9.5.1 Verma约束
9.5.2 不等式约束
9.5.3 基于协方差的约束
9.5.4 附加噪声模型
9.5.5 检测低复杂度混杂因子
9.5.6 不同的环境
9.6 问题
0章 时间序列
10.1 基础和术语
10.2 结构因果模型和干预
10.2.1 下采样
10.3 学习因果时间序列模型
10.3.1 马尔可夫条件和忠实性
10.3.2 一些不要求忠实性的因果结论
10.3.3 Granger因果关系
10.3.4 具有受限函数类的模型
10.3.5 频谱独立准则
10.4 动态因果建模
10.5 问题
附录
附录A 一些概率与统计学基础知识
A.1 基本定义
A.2 独立性以及条件独立性测试
A.3 函数类的容量
附录B 因果次序和邻接矩阵
附录C 证明
C.1 定理4.2的证明
C.2 命题6.3的证明
C.3 备注6.6的证明
C.4 命题6.13的证明
C.5 命题6.14的证明
C.6 命题6.36的证明
C.7 命题6.48的证明
C.8 命题6.49的证明
C.9 命题7.1的证明
C.10 命题7.4的证明
C.11 命题8.1的证明
C.12 命题8.2的证明
C.13 命题9.3的证明
C.14 命题10.3的证明
C.15 定理10.4的证明
参考文献
内容摘要
《因果推理：基础与学习算法》从概率统计的角度入手，分析了因果推理的假设，揭示这些假设所暗示的因果推理和学习的目的。本书分别论述了两个变量和多变量情况下的因果模型、学习因果模型及其与机器学习的关系，讨论了因果推理隐藏变量有关的问题、时间系列的因果分析。 《因果推理：基础与学习算法》可作为高等院校人工智能和计算机科学等相关专业高年级本科生和硕士研究生的教材，也可供研究机器学习、因果推理的技术人员参考。
主编推荐
1.世上万事万物，有因就有果，有果必有因。事物为什么会发生，为什么会得到某种结果？根源就在于因果关系。2.本书是世界知名学者十年来研究因果关系的总结，在因果推理和通用机器学习之间建立了牢固的联系，使得我们和机器可以用数据更清晰地理解世界。3.哥伦比亚大学David Blei教授、艾伦?图灵研究所Ricardo Silva研究员倾情推荐。4.本书提供了一个独立且简明的因果关系模型介绍，以及如何从数据中学习因果模型。
— 没有更多了 —
以下为对购买帮助不大的评价