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
  • 《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
相关图书 / 更多
因果推理:基础与学习算法
因果关系与客观归责论
孙运梁
因果推理:基础与学习算法
因果的故事
李鼎昊 编著
因果推理:基础与学习算法
因果定律
墨非
因果推理:基础与学习算法
因果构式的运作机理研究
廖巧云 著
因果推理:基础与学习算法
因果推断实用计量方法
邱嘉平 著
因果推理:基础与学习算法
因果的真相:当今世界讲得最好的《因果经》
庄圆法师 著
因果推理:基础与学习算法
因果:尹丽川诗集
尹丽川
因果推理:基础与学习算法
因果的真相:庄圆法师讲《金刚经》
庄圆法师
因果推理:基础与学习算法
因果观念与休谟问题
张志林 著
因果推理:基础与学习算法
因果思维与中学作文教学
庞君芳 著
因果推理:基础与学习算法
因果关系的理论与实践
钱叶六 主编
因果推理:基础与学习算法
因果天使
哈努·拉亚涅米
您可能感兴趣 / 更多
因果推理:基础与学习算法
意图网络(IBN) 下一代园区网络演进策略
[荷兰]彼得·扬·尼夫肯斯(Pieter-Jan Nefkens)
因果推理:基础与学习算法
数据如何误导了我们:人人都能懂的统计学思维启蒙书(一份大数据时代的防坑指南)
[荷兰]桑内·布劳 著;冯皓珺 译;未读 出品
因果推理:基础与学习算法
细节中的艺术家:细节中的勃鲁盖尔
[荷兰]曼弗雷德·塞林科 著;马婧毅 译
因果推理:基础与学习算法
搞砸:病态领导力如何摧毁一个组织
[荷兰]曼弗雷德·凯茨·德·弗里斯
因果推理:基础与学习算法
守护城市密度 景观与建筑设计系列
[荷兰]大都会建筑事务所 编
因果推理:基础与学习算法
入渗池塘地下水人工回补技术与应用(中英文对照)
[荷兰]周仰效;[荷兰]西奥;刘培斌
因果推理:基础与学习算法
宫腔内人工授精——日常实践循证指南
[荷兰]科恩 主编;刘伟信 主译
因果推理:基础与学习算法
我爱我的身体(3~6岁全面性教育科普绘本,教孩子认识身体隐私和性别,建立身体界限意识,保护身心安全!)
[荷兰]波林.奥德 著;读客文化 出品
因果推理:基础与学习算法
双人瑜伽艺术
[荷兰]马晋伟(Mathijs Mombarg);文莲;岳耀
因果推理:基础与学习算法
漂流瓶绘本馆-猫咪,猫咪
[荷兰]米斯·范·胡特 文/图 苏静 译
因果推理:基础与学习算法
斯宾诺莎文集(第2卷):笛卡尔哲学原理 政治论(新版)
[荷兰]斯宾诺莎 著;王荫庭 冯炳坤 译
因果推理:基础与学习算法
全球税收协定判例集(2018)
[荷兰]埃里克·C.C.M.坎梅伦 编;梁若莲 译