扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
因果推理:基础与学习算法 版权信息
- ISBN：9787111640301
- 条形码：9787111640301 ; 978-7-111-64030-1
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>
因果推理:基础与学习算法 本书特色
适读人群 ：高等院校人工智能和计算机科学等相关专业高年级本科生和硕士研究生1.世上万事万物，有因就有果，有果必有因。事物为什么会发生，为什么会得到某种结果？根源就在于因果关系。 2.本书是世界知名学者十年来研究因果关系的总结，在因果推理和通用机器学习之间建立了牢固的联系，使得我们和机器可以用数据更清晰地理解世界。 3.哥伦比亚大学David Blei教授、艾伦??图灵研究所Ricardo Silva研究员倾情推荐。 4.本书提供了一个独立且简明的因果关系模型介绍，以及如何从数据中学习因果模型。
因果推理:基础与学习算法 内容简介
《因果推理：基础与学习算法》从概率统计的角度入手，分析了因果推理的假设，揭示这些假设所暗示的因果推理和学习的目的。本书分别论述了两个变量和多变量情况下的因果模型、学习因果模型及其与机器学习的关系，讨论了因果推理隐藏变量有关的问题、时间系列的因果分析。 《因果推理：基础与学习算法》可作为高等院校人工智能和计算机科学等相关专业高年级本科生和硕士研究生的教材，也可供研究机器学习、因果推理的技术人员参考。
因果推理:基础与学习算法 目录
译者序
原书前言
符号和术语
第 1章 统计和因果模型
1.1 概率论与统计学
1.2 学习理论
1.3 因果建模和学习
1.4 两个实例
1.4.1 模式识别
1.4.2 基因干扰
第 2章 因果推断假设
2.1 独立机制原则
2.2 历史记录
2.3 因果模型的物理结构
2.3.1 时间的作用
2.3.2 物理定律
2.3.3 循环赋值
2.3.4 干预的可行性
2.3.5 原因和机制的独立性以及时间的热力学之箭
第3章 原因-效果模型
3.1 结构因果模型
3.2 干预
3.3 反事实
3.4 结构因果模型的标准表示
3.5 问题
第 4章 学习原因-效果模型
4.1 结构可识别性
4.1.1 为什么需要额外的假设
4.1.2 假设类型的概述
4.1.3 非高斯加性噪声的线性模型
4.1.4 非线性加性噪声模型
4.1.5 离散加性噪声模型
4.1.6 后非线性模型
4.1.7 信息-几何因果推断
4.1.8 Trace方法
4.1.9 以算法信息理论为可能的基础
4.2 结构识别方法
4.2.1 加性噪声模型
4.2.2 信息几何因果推断
4.2.3 Trace方法
4.2.4 监督学习方法
4.3 问题
第5章 与机器学习的联系1
5.1 半监督学习
5.1.1 半监督学习和因果方向
5.1.2 关于半监督学习在因果方向上的注释
5.2 协变量偏移
5.3 问题
第6章 多变量因果模型…
6.1 图的术语
6.2 结构因果模型
6.3 干预
6.4 反事实
6.5 马尔可夫性、忠实性和因果*小性
6.5.1 马尔可夫性
6.5.2 因果图模型
6.5.3 忠实性和因果*小性
6.6 通过协变量调整计算干预分布
6.7 do-calculus
6.8 因果模型的等价性和可证伪性
6.9 潜在的结果
6.9.1 定义与实例
6.9.2 潜在的结果与结构因果模型之间的关系
6.10 单一对象的广义结构因果模型
6.11 条件算法独立性
6.12 问题
第7章 学习多变量因果模型
7.1 结构可识别性
7.1.1 忠实性
7.1.2 加性噪声模型
7.1.3 具有等误差方差的线性高斯模型
7.1.4 线性非高斯无环模型
7.1.5 非线性高斯加性噪声模型
7.1.6 观测数据和实验数据
7.2 结构识别方法
7.2.1 基于独立的方法
7.2.2 基于分数的方法
7.2.3 加性噪声模型
7.2.4 已知因果次序
7.2.5 观测数据与实验数据
7.3 问题
第8章 与机器学习的联系2
8.1 半同胞回归
8.2 因果推断与场景强化学习
8.2.1 逆概率加权
8.2.2 场景强化学习
8.2.3 21点（Blackjack）中的状态简化
8.2.4 改进广告布置的加权
8.3 域适应
8.4 问题
第9章 隐藏变量
9.1 干预充分性
9.2 Simpson悖论
9.3 工具变量
9.4 条件独立性和图表示
9.4.1 图
9.4.2 快速因果推断
9.5 条件独立性之外的约束
9.5.1 Verma约束
9.5.2 不等式约束
9.5.3 基于协方差的约束
9.5.4 附加噪声模型
9.5.5 检测低复杂度混杂因子
9.5.6 不同的环境
9.6 问题
第10章 时间序列
10.1 基础和术语
10.2 结构因果模型和干预
10.2.1 下采样
10.3 学习因果时间序列模型
10.3.1 马尔可夫条件和忠实性
10.3.2 一些不要求忠实性的因果结论
10.3.3 Granger因果关系
10.3.4 具有受限函数类的模型
10.3.5 频谱独立准则
10.4 动态因果建模
10.5 问题
附录
附录A 一些概率与统计学基础知识
A.1 基本定义
A.2 独立性以及条件独立性测试
A.3 函数类的容量
附录B 因果次序和邻接矩阵
附录C 证明
C.1 定理4.2的证明
C.2 命题6.3的证明
C.3 备注6.6的证明
C.4 命题6.13的证明
C.5 命题6.14的证明
C.6 命题6.36的证明
C.7 命题6.48的证明
C.8 命题6.49的证明
C.9 命题7.1的证明
C.10 命题7.4的证明
C.11 命题8.1的证明
C.12 命题8.2的证明
C.13 命题9.3的证明
C.14 命题10.3的证明
C.15 定理10.4的证明
参考文献
展开全部
因果推理:基础与学习算法 作者简介
乔纳斯·彼得斯（Jonas Peters）,丹麦哥本哈根大学统计学副教授。 多米尼克·扬辛（Dominik Janzing）,位于德国图宾根的马克斯?普朗克智能系统研究所的不错研究科学家。 伯恩哈德·舍尔科普夫（Bernhard Sch?lkopf）,是位于德国图宾根的马克斯·普朗克智能系统研究所的主任。
书友推荐
- >
小考拉的故事-套装共3册
小考拉的故事-套装共3册
¥36.7¥68.0 - >
诗经-先民的歌唱
诗经-先民的歌唱
¥18.7¥39.8 - >
名家带你读鲁迅:朝花夕拾
名家带你读鲁迅:朝花夕拾
¥10.5¥21.0 - >
回忆爱玛侬
回忆爱玛侬
¥9.8¥32.8 - >
经典常谈
经典常谈
¥16.3¥39.8 - >
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
新文学天穹两巨星--鲁迅与胡适/红烛学术丛书(红烛学术丛书)
¥9.9¥23.0 - >
月亮与六便士
月亮与六便士
¥18.1¥42.0 - >
巴金－再思录
巴金－再思录
¥14.7¥46.0
本类畅销
-
C专家编程
¥41¥69 -
UG NX 11.0工程图教程-(含1DVD)
¥30.4¥59.9 -
网络爬虫进化论——从Excel爬虫到Python爬虫
¥55.5¥79 -
Python 数据分析基础
¥41¥69 -
Python 3.5从零开始学
¥26.4¥59 -
湖北交通文化
¥21.8¥46
