Facebook - konwersja
  • promocja

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

Wydawnictwo:
Tłumacz:
Data wydania:
28 maja 2024
Format ebooka:
MOBI
Format MOBI
czytaj
na czytniku
czytaj
na tablecie
czytaj
na smartfonie
Jeden z najczęściej wybieranych formatów wśród czytelników e-booków. Możesz go odczytać na czytniku Kindle oraz na smartfonach i tabletach po zainstalowaniu specjalnej aplikacji. Więcej informacji znajdziesz w dziale Pomoc.
Multiformat
E-booki w Virtualo.pl dostępne są w opcji multiformatu. Oznacza to, że po dokonaniu zakupu, e-book pojawi się na Twoim koncie we wszystkich formatach dostępnych aktualnie dla danego tytułu. Informacja o dostępności poszczególnych formatów znajduje się na karcie produktu.
, PDF
Format PDF
czytaj
na laptopie
czytaj
na tablecie
Format e-booków, który możesz odczytywać na tablecie oraz laptopie. Pliki PDF są odczytywane również przez czytniki i smartfony, jednakze względu na komfort czytania i brak możliwości skalowania czcionki, czytanie plików PDF na tych urządzeniach może być męczące dla oczu. Więcej informacji znajdziesz w dziale Pomoc.
Multiformat
E-booki w Virtualo.pl dostępne są w opcji multiformatu. Oznacza to, że po dokonaniu zakupu, e-book pojawi się na Twoim koncie we wszystkich formatach dostępnych aktualnie dla danego tytułu. Informacja o dostępności poszczególnych formatów znajduje się na karcie produktu.
, 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.
Multiformat
E-booki w Virtualo.pl dostępne są w opcji multiformatu. Oznacza to, że po dokonaniu zakupu, e-book pojawi się na Twoim koncie we wszystkich formatach dostępnych aktualnie dla danego tytułu. Informacja o dostępności poszczególnych formatów znajduje się na karcie produktu.
(3w1)
Multiformat
E-booki sprzedawane w księgarni Virtualo.pl dostępne są w opcji multiformatu - kupujesz treść, nie format. Po dodaniu e-booka do koszyka i dokonaniu płatności, e-book pojawi się na Twoim koncie w Mojej Bibliotece we wszystkich formatach dostępnych aktualnie dla danego tytułu. Informacja o dostępności poszczególnych formatów znajduje się na karcie produktu przy okładce. Uwaga: audiobooki nie są objęte opcją multiformatu.
czytaj
na laptopie
Pliki PDF zabezpieczone watermarkiem możesz odczytać na dowolnym laptopie po zainstalowaniu czytnika dokumentów PDF. Najpowszechniejszym programem, który umożliwi odczytanie pliku PDF na laptopie, jest Adobe Reader. W zależności od potrzeb, możesz zainstalować również inny program - e-booki PDF pod względem sposobu odczytywania nie różnią niczym od powszechnie stosowanych dokumentów PDF, które odczytujemy każdego dnia.
Informacje na temat zabezpieczenia e-booka znajdziesz na karcie produktu w "Szczegółach na temat e-booka". 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.

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
Watermark
Watermarkowanie polega na znakowaniu plików wewnątrz treści, dzięki czemu możliwe jest rozpoznanie unikatowej licencji transakcyjnej Użytkownika. E-książki zabezpieczone watermarkiem można odczytywać na wszystkich urządzeniach odtwarzających wybrany format (czytniki, tablety, smartfony). Nie ma również ograniczeń liczby licencji oraz istnieje możliwość swobodnego przenoszenia plików między urządzeniami. Pliki z watermarkiem są kompatybilne z popularnymi programami do odczytywania ebooków, jak np. Calibre oraz aplikacjami na urządzenia mobilne na takie platformy jak iOS oraz Android.
ISBN: 978-83-289-0833-8
Rozmiar pliku: 13 MB

BESTSELLERY

Kategorie: