Elements of Causal Inference

Autor Jonas Peters, Dominik Janzing, Bernhard Scholkopf

Elements of Causal Inference - Jonas Peters,Dominik Janzing,Bernhard Scholkopf Nedostupné

Elements of Causal Inference

Autor Jonas Peters, Dominik Janzing, Bernhard Scholkopf

0.0 z 5 hvězdiček 0 hodnocení čtenářů

Kniha ( pevná vazba )

    • Produkt je nedostupný.
E-shopové listy

Při zaslání zboží balíčkem

K nákupu nad 99 Kč dárek zdarma v hodnotě 19 Kč

E-shopové listy

Vždycky upřímná Jiřina Bohdalová

Při zaslání zboží balíčkem

K nákupu nad 699 Kč dárek zdarma v hodnotě 349 Kč

Vždycky upřímná Jiřina Bohdalová

A concise and self-contained introduction to causal inference, increasingly important in data science and machine learning.The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models… Přejít na celý popis

Moji kamarádi Osmnáctiletá Louisa se zamiluje do slavného obrazu a začne pátrat po příběhu tří postav, které na něm téměř nikdo nevnímá. Její cesta odhalí přátelství, lásku i tajemství z minulosti. Více informací

K tomuto produktu zákazníci kupují

Popis Hodnocení 0.0 z 5 hvězdiček 0 Další knihy autora Vývoj ceny

Popis

A concise and self-contained introduction to causal inference, increasingly important in data science and machine learning.

The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models and how to learn them from data.After explaining the need for causal models and discussing some of the principles underlying causal inference, the book teaches readers how to use causal models: how to compute intervention distributions, how to infer causal models from observational and interventional data, and how causal ideas could be exploited for classical machine learning problems. All of these topics are discussed first in terms of two variables and then in the more general multivariate case. The bivariate case turns out to be a particularly hard problem for causal learning because there are no conditional independences as used by classical methods for solving multivariate cases. The authors consider analyzing statistical asymmetries between cause and effect to be highly instructive, and they report on their decade of intensive research into this problem.

The book is accessible to readers with a background in machine learning or statistics, and can be used in graduate courses or as a reference for researchers. The text includes code snippets that can be copied and pasted, exercises, and an appendix with a summary of the most important technical concepts.

Sdílet

autoři
Jonas Peters | Dominik Janzing | Bernhard Scholkopf
kategorie
Knihy » Cizojazyčná literatura » English literature » Nonfiction » Science
Témata
Nakladatel
MIT Press Ltd
Rozměr
236 x 183 x 24
jazyk
angličtina
Vazba
pevná vazba
Hmotnost
724 g
isbn
978-0-262-03731-0
Počet stran
288
datum vydání
29.11.2017
ean
9780262037310

Hodnocení a recenze čtenářů Nápověda

0.0 z 5 0 hodnocení čtenářů

0× 5 hvězdiček 0× 4 hvězdičky 0× 3 hvězdičky 0× 2 hvězdičky 0× 1 hvezdička

Přidejte své hodnocení knihy

Načíst další hodnocení

Zobrazit všechna hodnocení

Přidat hodnocení

Další knihy autora

Další knihy autora

Všechny knihy autora

Všechny knihy autora

Vývoj ceny

Vývoj ceny Nápověda

Získejte přehled o vývoji ceny za posledních 60 dní.

Maloobchodní cena Minimální prodejní cena: 1 584 Kč Nápověda

Články, které stojí za pozornost

Zobrazit blog

Články, které stojí za pozornost