Inferencia y descubrimiento causal en Python

Name: Inferencia y descubrimiento causal en Python
Availability: InStock
ISBN: 9788441549999

Di Molak, Aleksander

Pubblicato da ANAYA MULTIMEDIA

Spanish 2024 ISBN 9788441549999

eBook

Buy at Bajalibros Latam 🇺🇸

Disponibile in 17 librerie

Bajalibros Latam 🇺🇸 Visita il negozio →

LORANCHBOOKSTORE 🇺🇸 Visita il negozio →

Libros Patagonia 🇨🇱 Visita il negozio →

Librería El Hombre de la Mancha 🇵🇦 Visita il negozio →

Librería Palito 🇦🇷 Visita il negozio →

Viubux 🇲🇽 Visita il negozio →

Ebooks Happy Books 🇨🇴 Visita il negozio →

ebooks libreria española 🇪🇨 Visita il negozio →

Bajalibros España 🇪🇸 Visita il negozio →

Bajalibros Argentina 🇦🇷 Visita il negozio →

Bajalibros México 🇲🇽 Visita il negozio →

Bajalibros Colombia 🇨🇴 Visita il negozio →

ebooks Libreria del GAM 🇺🇾 Visita il negozio →

Bookshop Uruguay 🇺🇾 Visita il negozio →

ebookslibelista 🇪🇸 Visita il negozio →

Ebooks Yenny - El Ateneo 🇦🇷 Visita il negozio →

Crisol Ebooks 🇨🇴 Visita il negozio →

Informazioni su questo libro

En comparación con el aprendizaje automático tradicional y las estadísticas, los métodos causales presentan desafíos únicos. Aprender causalidad puede ser difícil, pero ofrece distintas ventajas que escapan a una mentalidad puramente estadística. Este libro ayuda a liberar todo el potencial de la causalidad. El libro comienza con las motivaciones básicas del pensamiento causal y una completa introducción a conceptos causales pearlianos, como los modelos causales estructurales, las intervenciones, los contrafactuales, etc. Cada concepto va acompañado de una explicación teórica y una serie de ejercicios prácticos con código Python. A continuación, entra de lleno en el mundo de la estimación del efecto causal, y avanza hacia los métodos de aprendizaje automático modernos. Paso a paso, descubrirás el ecosistema causal de Python y aprovecharás la potencia de los algoritmos más avanzados. Además, explorarás la mecánica de las huellas que dejan las causas y descubrirás las cuatro familias principales de métodos de descubrimiento causal. El capítulo final ofrece una amplia visión general del futuro de la IA causal, con un examen de retos y oportunidades y una exhaustiva lista de recursos para seguir aprendiendo cada vez más. Entre otras cosas, este libro permite: * Dominar los conceptos fundamentales de la inferencia causal. * Liberar el potencial del proceso de inferencia causal en cuatro pasos de Python. * Explorar avanzadas técnicas de modelado uplift o de elevación. * Descubrir los secretos del descubrimiento causal moderno con Python. * Utilizar la inferencia causal para producir impacto social y beneficios para la comunidad.