INFERENCIA CAUSAL Y DESCUBRIMIENTO EN PYTHON

MOLAK, ALEKSANDER

ISBN 10: 8441549206 / ISBN 13: 9788441549203

Edité par ANAYA MULTIMEDIA, ANAYA MULTIMEDIA-ANAYA INTERACTIVA, 2024

A propos de cet article

En comparación con el aprendizaje automático tradicional y las estadísticas, los métodos causales presentan desafíos únicos. Aprender causalidad puede ser difícil, pero ofrece distintas ventajas que escapan a una mentalidad puramente estadística. Este libro ayuda a liberar todo el potencial de la causalidad.El libro comienza con las motivaciones básicas del pensamiento causal y una completa introducción a conceptos causales pearlianos, como los modelos causales estructurales, las intervenciones, los contrafactuales, etc. Cada concepto va acompañado de una explicación teórica y una serie de ejercicios prácticos con código Python. A continuación, entra de lleno en el mundo de la estimación del efecto causal, y avanza hacia los métodos de aprendizaje automático modernos.Paso a paso, descubrirás el ecosistema causal de Python y aprovecharás la potencia de los algoritmos más avanzados. Además, explorarás la mecánica de las huellas que dejan las causas y descubrirás las cuatro familias principales de métodos de descubrimiento causal. El capítulo final ofrece una amplia visión general del futuro de la IA causal, co.

N° de réf. du vendeur 1434609

Détails bibliographiques

• Titre: INFERENCIA CAUSAL Y DESCUBRIMIENTO EN PYTHON
• Éditeur: ANAYA MULTIMEDIA, ANAYA MULTIMEDIA-ANAYA INTERACTIVA
• Date de parution: 2024
• Langue: espagnol
• ISBN à 10 chiffres: 8441549206
• ISBN à 13 chiffres: 9788441549203
• Reliure: Rustica (tapa blanda)
• Édition: 01.
• État de l'article: New
• État de la jaquette: Nuevo
• Type de livre: LIBRO
• Catalogues du vendeur:
  • Programación / Desarrollo del software

A propos de ce titre

Synopsis

En comparación con el aprendizaje automático tradicional y las estadísticas, los métodos causales presentan desafíos únicos. Aprender causalidad puede ser difícil, pero ofrece distintas ventajas que escapan a una mentalidad puramente estadística. Este libro ayuda a liberar todo el potencial de la causalidad.

El libro comienza con las motivaciones básicas del pensamiento causal y una completa introducción a conceptos causales pearlianos, como los modelos causales estructurales, las intervenciones, los contrafactuales, etc. Cada concepto va acompañado de una explicación teórica y una serie de ejercicios prácticos con código Python. A continuación, entra de lleno en el mundo de la estimación del efecto causal, y avanza hacia los métodos de aprendizaje automático modernos.

Paso a paso, descubrirás el ecosistema causal de Python y aprovecharás la potencia de los algoritmos más avanzados. Además, explorarás la mecánica de las huellas que dejan las causas y descubrirás las cuatro familias principales de métodos de descubrimiento causal. El capítulo final ofrece una amplia visión general del futuro de la IA causal, con un examen de retos y oportunidades y una exhaustiva lista de recursos para seguir aprendiendo cada vez más.

Entre otras cosas, este libro permite:

* Dominar los conceptos fundamentales de la inferencia causal.

* Liberar el potencial del proceso de inferencia causal en cuatro pasos de Python.

* Explorar avanzadas técnicas de modelado uplift o de elevación.

* Descubrir los secretos del descubrimiento causal moderno con Python.

* Utilizar la inferencia causal para producir impacto social y beneficios para la comunidad.