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
Sobre el autor
Prólogo
Prefacio
Parte 1. Causalidad - Introducción
Capítulo 1. Causalidad: ¿para qué molestarse si ya tenemos aprendizaje automático?
Capítulo 2. Judea Pearl y la escalera de la causalidad.
Capítulo 3. Regresión, observaciones e intervenciones
Capítulo 4. Modelos gráficos
Capítulo 5. Bifurcaciones, cadenas causales e inmoralidades
Parte 2. Inferencia causal
Capítulo 6. Nodos, aristas y la (in)dependencia estadística
Capítulo 7. El proceso en cuatro fases de la inferencia causal
Capítulo 8. Modelos causales: suposiciones y desafíos
Capítulo 9. Inferencia causal y aprendizaje automático: del emparejamiento a los meta aprendices
Capítulo 10. Inferencia causal y aprendizaje automático: estimadores avanzados, experimentos, evaluaciones y mucho más
Capítulo 11. Inferencia causal y aprendizaje automático: aprendizaje profundo, PLN y mucho más
Parte 3. Descubrimiento causal
Capítulo 12. Gráficos causales
Capítulo 13. Descubrimiento causal y aprendizaje automático: de las suposiciones a las aplicaciones
Capítulo 14. Descubrimiento causal y aprendizaje automático: aprendizaje profundo avanzado y mucho más
Capítulo 15. Epílogo
Índice alfabético
(0 Comentarios)
