ODBIERZ TWÓJ BONUS :: »

Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko Aleksander Molak

(ebook) (audiobook) (audiobook)
Autor:
Aleksander Molak
Wydawnictwo:
Helion
Wydawnictwo:
Helion
Ocena:
6.0/6  Opinie: 2
Stron:
421
Druk:
oprawa miękka
Dostępne formaty:
     PDF
     ePub
     Mobi
Czytaj fragment
Książka
68,67 zł 109,00 zł (-37%)
65,40 zł najniższa cena z 30 dni

Dodaj do koszyka Wysyłamy w 24h

Ebook
57,77 zł 109,00 zł (-47%)
54,50 zł najniższa cena z 30 dni

Dodaj do koszyka lub Kup na prezent Kup 1-kliknięciem

Przenieś na półkę

Do przechowalni

Do przechowalni

Powiadom o dostępności audiobooka »

Czego się nauczysz?

  • Rozróżniania korelacji od związków przyczynowych w analizie danych
  • Stosowania modeli strukturalnych (SCM) do modelowania przyczynowości
  • Budowania i interpretowania grafów przyczynowych (DAG) w Pythonie
  • Identyfikowania i analizowania efektów interwencji oraz kontrfaktów
  • Wykorzystywania kryteriów back-door i front-door do wnioskowania przyczynowego
  • Implementowania czteroetapowego procesu wnioskowania przyczynowego z użyciem DoWhy i EconML
  • Dobierania i walidowania modeli przyczynowych na podstawie danych i założeń
  • Stosowania technik dopasowywania, propensity score matching i inverse probability weighting
  • Wdrażania zaawansowanych estymatorów przyczynowych, takich jak DR-Learner i DML
  • Analizowania heterogenicznych efektów interwencji (CATE) z wykorzystaniem uczenia głębokiego
  • Wykorzystywania modeli drzew i lasów przyczynowych do analizy danych
  • Odkrywania związków przyczynowych za pomocą algorytmów PC, GES, ANM i LiNGAM
  • Stosowania bibliotek gCastle, DoWhy, EconML i PyTorch do praktycznej analizy przyczynowej
  • Wykorzystywania wiedzy eksperckiej i danych syntetycznych do budowy grafów przyczynowych
  • Rozwiązywania problemów z ukrytymi zakłóceniami przy użyciu zaawansowanych algorytmów (np. FCI, DECI)
  • Przekładania teorii przyczynowości na praktyczne zastosowania biznesowe i naukowe

W uczeniu maszynowym odkrywanie związków przyczynowych daje możliwości, jakich nie można uzyskać tradycyjnymi technikami statystycznymi. Najnowsze trendy w programowaniu pokazują, że przyczynowość staje się kluczowym zagadnieniem dla generatywnej sztucznej inteligencji. Niezbędna okazuje się więc znajomość grafów przyczynowych i zapytań konfrontacyjnych.

Dzięki tej książce łatwo przyswoisz teoretyczne podstawy i zaczniesz je płynnie wdrażać w rzeczywistych scenariuszach. Dowiesz się, w jaki sposób myślenie przyczynowe ułatwia rozwiązywanie problemów, i poznasz pojęcia Pearla, takie jak strukturalny model przyczynowy, interwencje, kontrfakty itp. Każde zagadnienie zostało dokładnie wyjaśnione i opatrzone zbiorem praktycznych ćwiczeń z kodem w Pythonie. Nauczysz się także implementować poszczególne modele i zrozumiesz, czym się kierować przy wyborze technik i algorytmów do rozwiązywania konkretnych scenariuszy przyczynowych. To przewodnik, który docenią szczególnie inżynierowie uczenia maszynowego i analitycy danych.

W książce:

  • wnioskowanie związków przyczynowych
  • budowa i działanie strukturalnych modeli przyczynowych
  • czteroetapowy proces wnioskowania związków przyczynowych w Pythonie
  • techniki modelowania efektu interwencji
  • nowoczesne metody odkrywania związków przyczynowych za pomocą Pythona
  • korzystanie z wnioskowania związków przyczynowych

Przyczyna i skutek, nic więcej. Pomyłki jako takie nie istnieją...

Jose Antonio Cotrina, hiszpański pisarz science fiction

Wybrane bestsellery

O autorze książki

Aleksander Molak jest niezależnym badaczem i konsultantem w dziedzinie uczenia maszynowego. Współpracował z licznymi firmami w Europie, USA i Izraelu, gdzie uczestniczył w tworzeniu wielkoskalowych systemów uczenia maszynowego. Jest też współzałożycielem firmy Lespire.io, dostawcy szkoleń z zakresu sztucznej inteligencji dla zespołów korporacyjnych. 

Helion - inne książki

Najczęściej zadawane pytania (FAQ)
1. Czy muszę znać zaawansowaną matematykę lub statystykę, aby skorzystać z tej książki?
Nie, książka wyjaśnia teoretyczne podstawy w przystępny sposób i prowadzi czytelnika krok po kroku przez praktyczne przykłady, dzięki czemu jest odpowiednia również dla osób z podstawową wiedzą matematyczną.
2. Jakie biblioteki Pythona są omawiane w książce?
W książce szczegółowo opisano wykorzystanie bibliotek DoWhy, EconML, PyTorch oraz gCastle, a także przedstawiono przykłady kodu i praktyczne ćwiczenia z ich użyciem.
3. Czy książka zawiera praktyczne ćwiczenia i przykłady kodu?
Tak, każde zagadnienie zostało opatrzone praktycznymi ćwiczeniami oraz fragmentami kodu w Pythonie, co ułatwia samodzielne wdrażanie omawianych technik.
4. Czy publikacja będzie pomocna w rozwiązywaniu rzeczywistych problemów biznesowych?
Tak, książka prezentuje realne scenariusze biznesowe i pokazuje, jak wykorzystać wnioskowanie przyczynowe do podejmowania lepszych decyzji oraz analizy danych w praktyce.
5. Czy książka nadaje się do samodzielnej nauki?
Tak, publikacja została napisana z myślą o samodzielnej nauce - zawiera liczne przykłady, ćwiczenia oraz wyjaśnienia, które pomagają zrozumieć i wdrożyć omawiane zagadnienia.
6. Czy znajdę w książce informacje o zastosowaniu uczenia głębokiego i przetwarzania języka naturalnego w kontekście przyczynowości?
Tak, osobne rozdziały poświęcone są wykorzystaniu uczenia głębokiego, przetwarzania języka naturalnego oraz zaawansowanych technik machine learningu w analizie związków przyczynowych.
7. W jakim formacie dostępna jest książka na Helion.pl?
Książka dostępna jest w wersji drukowanej oraz w formatach elektronicznych (eBook: PDF, ePub, mobi), co umożliwia naukę w dowolny, wygodny dla Ciebie sposób.

Zamknij

Przenieś na półkę
Dodano produkt na półkę
Usunięto produkt z półki
Przeniesiono produkt do archiwum
Przeniesiono produkt do biblioteki
Proszę czekać...
ajax-loader

Zamknij

Wybierz metodę płatności

Książka
68,67 zł
Dodaj do koszyka
Ebook
57,77 zł
Dodaj do koszyka
Zamknij Pobierz aplikację mobilną Ebookpoint