Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko - ebook
Format ebooka:
EPUB
Format
EPUB
czytaj
na czytniku
czytaj
na tablecie
czytaj
na smartfonie
Jeden z najpopularniejszych formatów e-booków na świecie.
Niezwykle wygodny i przyjazny czytelnikom - w przeciwieństwie do formatu
PDF umożliwia skalowanie czcionki, dzięki czemu możliwe jest dopasowanie
jej wielkości do kroju i rozmiarów ekranu. Więcej informacji znajdziesz
w dziale Pomoc.
czytaj
na tablecie
Aby odczytywać e-booki na swoim tablecie musisz zainstalować specjalną
aplikację. W zależności od formatu e-booka oraz systemu operacyjnego,
który jest zainstalowany na Twoim urządzeniu może to być np. Bluefire
dla EPUBa lub aplikacja Kindle dla formatu MOBI.
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu
w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale
Pomoc.
czytaj
na czytniku
Czytanie na e-czytniku z ekranem e-ink jest bardzo wygodne i nie męczy
wzroku. Pliki przystosowane do odczytywania na czytnikach to przede
wszystkim EPUB (ten format możesz odczytać m.in. na czytnikach
PocketBook) i MOBI (ten fromat możesz odczytać m.in. na czytnikach Kindle).
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu
w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale
Pomoc.
czytaj
na smartfonie
Aby odczytywać e-booki na swoim smartfonie musisz zainstalować specjalną
aplikację. W zależności od formatu e-booka oraz systemu operacyjnego,
który jest zainstalowany na Twoim urządzeniu może to być np. iBooks dla
EPUBa lub aplikacja Kindle dla formatu MOBI.
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu
w "Szczegółach na temat e-booka". Więcej informacji znajdziesz w dziale
Pomoc.
Produkt chwilowo niedostępny
Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko - ebook
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
Spis treści
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?
- 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
Rozdział 2. Judea Pearl i drabina przyczynowości
- 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
Rozdział 3. Regresja, obserwacje i interwencje
- 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
Rozdział 4. Modele grafów
- 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
Rozdział 5. Rozwidlenia, łańcuchy i kolidery
- 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
CZĘŚĆ 2. Wnioskowanie związków przyczynowych
Rozdział 6. Węzły, krawędzie i statystyczna (nie)zależność
- 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
Rozdział 7. Czteroetapowy proces wnioskowania przyczynowego
- 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
Rozdział 8. Modele przyczynowe. Założenia i wyzwania
- 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
Rozdział 9. Wnioskowanie związków przyczynowych i uczenie maszynowe - od dopasowywania do metalearnerów
- 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
Rozdział 10. Wnioskowanie związków przyczynowych iuczenie maszynowe - zaawansowane estymatory, eksperymenty, oceny i nietylko
- 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
Rozdział 11. Wnioskowanie związków przyczynowych iuczenie maszynowe - uczenie głębokie, przetwarzanie języka naturalnegoi inne techniki
- 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
CZĘŚĆ 3. Odkrywanie związków przyczynowych
Rozdział 12. Czy można prosić o graf przyczynowy?
- 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
Rozdział 13. Odkrywanie związków przyczynowych i uczenie maszynowe - od założeń do zastosowań
- 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
Rozdział 14. Odkrywanie związków przyczynowych i uczenie maszynowe - zaawansowane uczenie głębokie i nie tylko
- 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
Rozdział 15. Epilog
- 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
Skorowidz
| Kategoria: | Programowanie |
| Zabezpieczenie: |
Watermark
|
| ISBN: | 978-83-289-0833-8 |
| Rozmiar pliku: | 13 MB |
