Descripción
Los avances recientes en la inferencia causal han permitido obtener una visión profunda de nuestro mundo y de los sistemas complejos que operan en él. Si bien los profesionales de la industria y los académicos de todos los dominios hacen preguntas a sus datos, los métodos estadísticos tradicionales a menudo no logran proporcionar respuestas concluyentes. Aquí es donde la causalidad puede ayudar.
Este libro brinda a los lectores las herramientas necesarias para utilizar la inferencia causal en entornos aplicados, desde los fundamentos teóricos hasta los estudios de caso prácticos en Python. Escribimos este libro principalmente para el profesional que sabe cómo trabajar con datos, pero que quizás no esté familiarizado con los conceptos de inferencia causal o cómo aplicar esos conceptos a problemas del mundo real.
La Parte 1 del libro abarca desde los principios básicos de la inferencia causal hasta el proceso de estimación y el descubrimiento causal, con ejercicios y estudios de caso que refuerzan los conceptos. En las Partes 2 y 3, profundizamos en las aplicaciones de vanguardia de la causalidad en los dominios del aprendizaje automático, incluyendo la visión por computadora, el procesamiento del lenguaje natural, el aprendizaje por refuerzo y la equidad del modelo. La combinación de estos enfoques hace de este libro un punto de entrada perfecto al mundo de la causalidad para cualquier profesional del aprendizaje automático.
Autor: Uday Kamath, Kenneth Graham, Mitchell Naylor
Editorial: Publicado de forma independiente
Publicado: 10/06/2023
Páginas: 246
Tipo de encuadernación: Tapa blanda
Peso: 1.09 libras
Tamaño: 10.00h x 8.00w x 0.52d
ISBN13: 9798854825696
ISBN10: 8854825697
Categorías BISAC:
- Computadoras | Inteligencia Artificial | Visión por Computadora y Reconocimiento de Patrones
Este título no es retornable