机读格式显示(MARC)

• 000 01949nam0 2200325 450

• 001 0000475670

• 005 20241008150900.0

• 010 __ |a 978-7-121-46457-7 |d CNY118.00

• 100 __ |a 20231127d2023 em y0chiy50 ea

• 101 0_ |a chi

• 102 __ |a CN |b 110000

• 105 __ |a ak a 000yy

• 106 __ |a r

• 200 1_ |a 因果推断与机器学习 |A yin guo tui duan yu ji qi xue xi |f 郭若城 ... [等] 编著

• 205 __ |a 第2版 |b 修订版

• 210 __ |a 北京 |c 电子工业出版社 |d 2023

• 215 __ |a 251页 |c 图 (部分彩图) |d 24cm

• 304 __ |a 题名页题: 郭若城, 程璐, 刘昊, 刘欢编著

• 314 __ |a 郭若城, 伦敦字节跳动人工智能实验室机器学习研究员。研究重点为因果推断和可置信的机器学习在推荐系统、搜索排序和图数据中的应用。曾获美国亚利桑那州立大学杰出计算机科学博士生奖项。程璐, 美国伊利诺伊芝加哥分校计算机系助理教授, 于2022年获美国亚利桑那州立大学 (ASU) 计算机科学专业博士学位, 师从刘欢教授。研究方向包括社会负责任的人工智能, 具体为人工智能的公平性、可解释性、隐私保护、可泛化性、对社会的公益性、因果机器学习, 以及社会计算。刘昊, 美国加州理工学院在读计算机专业博士生, 本科毕业于南京大学匡亚明学院, 研究方向为可置信的机器学习、因果机器学习。

• 320 __ |a 有书目 (第231-251页)

• 330 __ |a 本书系统地介绍了因果推断的基本知识、基于机器学习的因果推断方法和基于因果推断的机器学习方法及其在一些重要领域的应用, 共分6章。第1章从结构因果模型和潜在结果框架出发, 介绍因果推断的基本概念和方法。第2章介绍近年统计和机器学习文献中出现的一些重要的基于机器学习的因果推断方法。第3章介绍能够提高机器学习模型的泛化能力的因果表征学习。第4章介绍因果机器学习如何提高机器学习模型的可解释性与公平性。第5章介绍因果机器学习在推荐系统和学习排序中的应用。第6章是对全书的一个总结和对未来的展望。

• 606 0_ |a 因果性 |A yin guo xing |x 推理

• 606 0_ |a 机器学习 |A ji qi xue xi

• 690 __ |a B812.23 |v 5

• 690 __ |a TP181 |v 5

• 701 _0 |a 郭若城 |A guo ruo cheng |4 编著

• 701 _0 |a 程璐 |A cheng lu |4 编著

• 701 _0 |a 刘昊 |A liu hao |4 编著

• 801 _0 |a CN |b 湖北三新 |c 20231127

• 905 __ |a AUSTL |d TP181/G674B