Elementos de inferencia causal: Fundamentos y algoritmos de aprendizaje

Opiniones de los lectores

El libro es elogiado por su contenido útil y su formato físico de alta calidad, especialmente atractivo para quienes están familiarizados con los conceptos del aprendizaje automático. Sin embargo, hay preocupaciones significativas con respecto a la calidad de la producción, especialmente en lo que se refiere al formato Kindle.

La copia física de alta calidad, la buena calidad del papel, las figuras impresas en color, sirven a un nicho útil en la inferencia causal utilizando notación de aprendizaje automático, familiar para aquellos que aprendieron de 'Elements of Statistical Learning'.

Control de calidad deficiente con problemas como una cubierta del libro al revés, formato Kindle terrible con símbolos ilegibles.

(basado en 5 opiniones de lectores)

Título original:

Elements of Causal Inference: Foundations and Learning Algorithms

Contenido del libro:

Una introducción concisa y autocontenida a la inferencia causal, cada vez más importante en la ciencia de datos y el aprendizaje automático.

La matematización de la causalidad es un desarrollo relativamente reciente, y se ha vuelto cada vez más importante en la ciencia de datos y el aprendizaje automático. Este libro ofrece una introducción autocontenida y concisa a los modelos causales y a cómo aprenderlos a partir de los datos.

Tras explicar la necesidad de los modelos causales y discutir algunos de los principios subyacentes a la inferencia causal, el libro enseña a los lectores a utilizar modelos causales: cómo calcular distribuciones de intervención, cómo inferir modelos causales a partir de datos observacionales y de intervención, y cómo podrían explotarse las ideas causales para problemas clásicos de aprendizaje automático. Todos estos temas se tratan primero en términos de dos variables y luego en el caso multivariante más general. El caso bivariante resulta ser un problema especialmente difícil para el aprendizaje causal porque no existen las independencias condicionales que utilizan los métodos clásicos para resolver casos multivariantes. Los autores consideran muy instructivo el análisis de las asimetrías estadísticas entre causa y efecto, e informan sobre su década de intensa investigación sobre este problema.

El libro es accesible a lectores con formación en aprendizaje automático o estadística, y puede utilizarse en cursos de posgrado o como referencia para investigadores. El texto incluye fragmentos de código que pueden copiarse y pegarse, ejercicios y un apéndice con un resumen de los conceptos técnicos más importantes.