机读格式显示(MARC)

• 000 02247nam0 2200361 450

• 001 0000448603

• 005 20231218110100.0

• 010 __ |a 978-7-111-64030-1 |d CNY89.00

• 100 __ |a 20210625d2021 em y0chiy50 ea

• 101 1_ |a chi |c eng

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 因果推理 |A yin guo tui li |e 基础与学习算法 |f (荷) 乔纳斯·彼得斯, (德) 多米尼克·扬辛, 伯恩哈德·舍尔科普夫著 |g 李小和, 卢胜男, 程国建译

• 210 __ |a 北京 |c 机械工业出版社 |d 2021

• 215 __ |a xii, 236页 |c 图 |d 24cm

• 306 __ |a 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

• 312 __ |a 英文题名原文取自版权页

• 314 __ |a 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。

• 320 __ |a 有书目 (第209-236页)

• 330 __ |a 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。

• 500 10 |a Elements of causal inference : foundations and learning algorithms |A Elements Of Causal Inference : Foundations And Learning Algorithms |m Chinese

• 517 1_ |a 基础与学习算法 |A ji chu yu xue xi suan fa

• 606 0_ |a 因果性 |A yin guo xing |x 推理

• 690 __ |a B812.23 |v 5

• 701 _1 |a 彼得斯 |A bi de si |g (Peters, Jonas) |4 著

• 701 _1 |a 扬辛 |A yang xin |g (Janzing, Dominik) |4 著

• 701 _1 |a 舍尔科普夫 |A she er ke pu fu |g (Scholkopf, Bernhard) |4 著

• 702 _0 |a 李小和 |A li xiao he |4 译

• 702 _0 |a 卢胜男 |A lu sheng nan |4 译

• 702 _0 |a 程国建 |A cheng guo jian |4 译

• 801 _0 |a CN |b 湖北三新 |c 20210625

• 905 __ |a AUSTL |d B812.23/B261