-5%

Inferencia y descubrimiento causal en Python . Descubra los secretos del machine learning causal moder no con DoWhy, EconML, PyTorch y mucho más

ISBN: 9788441549203

El precio original era: 37,95€.El precio actual es: 37,95€. 36,06 IVA incluido

Hay existencias

Peso 779 g
Fecha de Edición 01/04/2024
Plazo de entrega

24 h

Número de Edición

1

Idioma

Español

Formato

Libro

Páginas

432

Lugar de edición

MADRID

Encuadernación

Rústica

Nº de colección

30

Editorial

EDICIONES ANAYA MULTIMEDIA

EAN

978-84-415-4920-3

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.