INFERENCIA Y DESCUBRIMIENTO CAUSAL EN PYTHON
Descubra los secretos del machine learning causal moderno con DoWhy, EconML, PyTorch y mucho más
Este contenido se compartirá a través de todas las páginas de productos.
| Categoría | Tecnología e Informática |
| ISBN | 9788441549203 |
| Peso | 0.78 |
| Idioma | Español |
| Editorial | Anaya |
| Autor | Molak, Aleksander |
| Tapa | Rústica |
| Serie | Títulos especiales |
| Traductor | Aranda González, Virginia |
| Año | 2024 |
| Ciudad | Madrid |
| Páginas | 432 |
| Idioma: Español |
| Editorial: Anaya |
| Autor: Molak, Aleksander |
| Tapa: Rústica |
| Serie: Títulos especiales |
| Traductor: Aranda González, Virginia |
| Año: 2024 |
| Ciudad: Madrid |
| Páginas: 432 |
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.