因果推理基础与学习算法--聚文网

精选

¥5.83

世界图书名著昆虫记绿野仙踪木偶奇遇记儿童书籍彩图注音版

¥5.39

正版世界名著文学小说名家名译中学生课外阅读书籍图书批发 70册

¥8.58

简笔画10000例加厚版2-6岁幼儿童涂色本涂鸦本绘画本填色书正版

¥5.83

世界文学名著全49册中小学生青少年课外书籍文学小说批发正版

¥4.95

全优冲刺100分测试卷一二三四五六年级上下册语文数学英语模拟卷

¥8.69

父与子彩图注音完整版小学生图书批发儿童课外阅读书籍正版1册

¥24.2

好玩的洞洞拉拉书0-3岁宝宝早教益智游戏书机关立体翻翻书4册

¥7.15

幼儿认字识字大王3000字幼儿园中班大班学前班宝宝早教启蒙书

¥11.55

用思维导图读懂儿童心理学培养情绪管理与性格培养故事指导书

¥19.8

少年读漫画鬼谷子全6册在漫画中学国学小学生课外阅读书籍正版

¥64

科学真好玩

¥12.7

一年级下4册·读读童谣和儿歌

¥38.4

原生态新生代(传统木版年画的当代传承国际研讨会论文集)

¥11.14

法国经典中篇小说

¥11.32

上海的狐步舞--穆时英(中国现代文学馆馆藏初版本经典)

¥21.56

猫的摇篮(精)

¥30.72

幼儿园特色课程实施方案/幼儿园生命成长启蒙教育课程丛书

旧时风物(精)

三希堂三帖/墨林珍赏

寒山子庞居士诗帖/墨林珍赏

苕溪帖/墨林珍赏

楷书王维诗卷/墨林珍赏

兰亭序/墨林珍赏

祭侄文稿/墨林珍赏

蜀素帖/墨林珍赏

真草千字文/墨林珍赏

进宴仪轨(精)/中国古代舞乐域外图书

舞蹈音乐的基础理论与应用

编辑推荐

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。

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。

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、忠实性和因果最小性
6.5.1 马尔可夫性
6.5.2 因果图模型
6.5.3 忠实性和因果最小性
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

因果推理 基础与学习算法

库存： {{selectedSku?.stock}} 库存充足

因果推理基础与学习算法