因果推理:基础与学习算法

因果推理:基础与学习算法
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
2021-06
版次: 1
ISBN: 9787111640301
定价: 89.00
装帧: 其他
开本: 16开
纸张: 胶版纸
页数: 248页
字数: 259千字
37人买过
  • 《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。 乔纳斯?彼得斯(Jonas Peters)是丹麦哥本哈根大学统计学副教授。

    多米尼克?扬辛(Dominik Janzing)是位于德国图宾根的马克斯?普朗克智能系统研究所的高级研究科学家。

    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。 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
  • 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。
  • 作者简介:
    乔纳斯?彼得斯(Jonas Peters)是丹麦哥本哈根大学统计学副教授。

    多米尼克?扬辛(Dominik Janzing)是位于德国图宾根的马克斯?普朗克智能系统研究所的高级研究科学家。

    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。
  • 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
查看详情
12
相关图书 / 更多
因果推理:基础与学习算法
因果推断与机器学习(修订版)
郭若城
因果推理:基础与学习算法
因果推断:基于图模型分析
罗锐
因果推理:基础与学习算法
因果推理和贝叶斯统计的理论和应用(英文版)
王学丽
因果推理:基础与学习算法
因果推断与效应评估的计量经济学 经济学精选教材译丛
[瑞士]斯蒂芬·斯珀利奇 著;王可倩 译;[德]马库斯·弗洛里奇;李井奎
因果推理:基础与学习算法
因果品牌:品牌快速崛起的底层逻辑
梁宏宁
因果推理:基础与学习算法
因果推断(因果推断的实践指南和前沿速览,经验研究的入门宝典和进阶之选)
斯科特·坎宁安(Scott Cunningham)
因果推理:基础与学习算法
因果推断导论
俞奎 王浩 梁吉业 编著
因果推理:基础与学习算法
因果推断与机器学习
郭若城
因果推理:基础与学习算法
因果关系及损伤参与度鉴定案例解析/法医临床
黎昆良、张延斌、孔德庚、陈本宪 编
因果推理:基础与学习算法
因果推断初步
姚东·F
因果推理:基础与学习算法
因果推断入门
保罗·R.罗森鲍姆(PAUL R. ROSENBAUM)
因果推理:基础与学习算法
因果推断:在教育及其他社会科学领域的应用
朱宇 著;黄斌;范雯
您可能感兴趣 / 更多
因果推理:基础与学习算法
逃出瓶子的精灵:一部关于“我”的哲学史
[荷兰]戈尔·格罗特
因果推理:基础与学习算法
无条件投降博物馆
[荷兰]杜布拉夫卡·乌格雷西奇
因果推理:基础与学习算法
合规评估与测量 : 基于企业犯罪与不当行为的防范
[荷兰]本杰明·范·鲁伊 主编;范晓亮 译;[美]梅丽莎·罗里;朱庆
因果推理:基础与学习算法
《忠犬山姆》(2024年百班千人寒假书单 四年级推荐阅读)
[荷兰]菲利普·霍普曼 译者:林霄霄 绘者;著者:【荷】爱德华·范戴尔
因果推理:基础与学习算法
自有品牌革命
[荷兰]科恩·德·琼(Koen;A.M.;de;Jong;[荷兰]罗伯特·朗贝尔;[荷兰]洛·林普斯
因果推理:基础与学习算法
多谢不阅
[荷兰]杜布拉夫卡·乌格雷西奇 著;理想国 出品
因果推理:基础与学习算法
文明破晓时
[荷兰]范德莱乌 著;高师宁 宋立道 曹静 王六二 译;何光沪 校
因果推理:基础与学习算法
编码理论导论 第3版 香农信息科学经典
[荷兰]雅各布斯·亨德里克斯·范·林特(J.H. van Lint)
因果推理:基础与学习算法
小熊战士(99)(获美国巴切尔德奖的真实故事,让孩子更了解战争的本质;作者获荷兰青少年文学终身成就奖!)
[荷兰]彼彼·迪蒙·达克
因果推理:基础与学习算法
DevOps持续万物(DevOps组织能力成熟度评估)(数字化转型与创新管理丛书)
[荷兰]巴特·德·贝斯特(Bart de Best) 著
因果推理:基础与学习算法
雕版手绘珍鸟图鉴
[荷兰]比比·多姆·塔克
因果推理:基础与学习算法
共情时代
[荷兰]弗朗斯·德瓦尔