安徽理工大学图书馆书目检索系统

Online Public Access Catalogue

题名/责任者:

因果推理:基础与学习算法/(荷) 乔纳斯·彼得斯, (德) 多米尼克·扬辛, 伯恩哈德·舍尔科普夫著 李小和, 卢胜男, 程国建译

出版发行项:

北京:机械工业出版社,2021

ISBN及定价:

978-7-111-64030-1/CNY89.00

载体形态项:

xii, 236页:图;24cm

统一题名:

Elements of causal inference : foundations and learning algorithms

其它题名:

基础与学习算法

个人责任者:

彼得斯 (Peters, Jonas) 著

个人责任者:

扬辛 (Janzing, Dominik) 著

个人责任者:

舍尔科普夫 (Scholkopf, Bernhard) 著

个人次要责任者:

李小和 译

个人次要责任者:

卢胜男 译

个人次要责任者:

程国建 译

学科主题:

因果性-推理

中图法分类号:

B812.23

出版发行附注:

本书由The MIT Press授权机械工业出版社在中华人民共和国境内 (不包括香港、澳门特别行政区及台湾地区) 出版与发行

相关题名附注:

英文题名原文取自版权页

责任者附注:

乔纳斯·彼得斯, 是丹麦哥本哈根大学统计学副教授。多米尼克·扬辛, 是位于德国国宾根的马克斯·普朗克智能系统研究所的高级研究科学家。伯恩哈德·舍尔科普夫, 是位于德国国宾根的马克斯·普朗克智能系统研究所的主任。

书目附注:

有书目 (第209-236页)

提要文摘附注:

因果关系的数学化是一个相对较新的发展, 在数据科学和机器学习中已经变得越来越重要。本书提供了一个独立而简洁的因果模型介绍, 以及如何从数据中学习。在解释因果模型的必要性和讨论因果推论的一些基本原理之后, 本书教会读者如何使用因果模型: 如何计算干预分布, 如何从观察和干预数据推断因果模型, 以及因果观念如何利用经典的机器学习问题。所有这些话题都是首先用两个变量来讨论的, 然后是更一般的多变量的话题。双变量的情况证明是因果学习的一个特别困难的问题, 因为传统方法没有条件独立性来解决多变量情况。作者认为分析因果之间的统计不对称是非常有益的, 他们报告了他们十年来对这个问题的深入研究。这本书是读者的机器学习或统计背景, 可以在研究生课程或作为研究人员的参考。

豆瓣简介：