ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Elements of Causal Inference: Foundations and Learning Algorithms

دانلود کتاب عناصر استنتاج علت: مبانی و الگوریتم های یادگیری

Elements of Causal Inference: Foundations and Learning Algorithms

مشخصات کتاب

Elements of Causal Inference: Foundations and Learning Algorithms

دسته بندی: الگوریتم ها و ساختارهای داده
ویرایش:  
نویسندگان: , ,   
سری: Adaptive Computation and Machine Learning series 
ISBN (شابک) : 9780262037310 
ناشر: The MIT Press 
سال نشر: 2017 
تعداد صفحات: 289 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 21 مگابایت

قیمت کتاب (تومان) : 60,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 10


در صورت تبدیل فایل کتاب Elements of Causal Inference: Foundations and Learning Algorithms به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب عناصر استنتاج علت: مبانی و الگوریتم های یادگیری نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب عناصر استنتاج علت: مبانی و الگوریتم های یادگیری

مقدمه ای مختصر و مستقل برای استنتاج علی، که اهمیت فزاینده ای در علم داده و یادگیری ماشین دارد. ریاضی‌سازی علیت یک پیشرفت نسبتاً جدید است و اهمیت فزاینده‌ای در علم داده و یادگیری ماشین پیدا کرده است. این کتاب مقدمه‌ای مستقل و مختصر برای مدل‌های علی و نحوه یادگیری آنها از داده‌ها ارائه می‌کند. پس از توضیح نیاز به مدل‌های علّی و بحث در مورد برخی از اصول زیربنای استنتاج علی، این کتاب به خوانندگان می‌آموزد که چگونه از مدل‌های علی استفاده کنند: نحوه محاسبه توزیع‌های مداخله، نحوه استنتاج مدل‌های علی از داده‌های مشاهده‌ای و مداخله‌ای، و اینکه چگونه ایده‌های علّی می‌توانند باشند. برای مشکلات یادگیری ماشین کلاسیک مورد استفاده قرار می گیرد. همه این موضوعات ابتدا برحسب دو متغیر و سپس در حالت کلی چند متغیره مورد بحث قرار می گیرند. به نظر می رسد که مورد دو متغیره یک مشکل مخصوصاً سخت برای یادگیری علّی است، زیرا هیچ استقلال شرطی که توسط روش های کلاسیک برای حل موارد چند متغیره استفاده می شود، وجود ندارد. نویسندگان تجزیه و تحلیل عدم تقارن های آماری بین علت و معلول را بسیار آموزنده می دانند و آنها در مورد دهه تحقیق فشرده خود در مورد این مشکل گزارش می دهند. این کتاب برای خوانندگان با پیشینه یادگیری ماشینی یا آمار در دسترس است و می تواند در دوره های تحصیلات تکمیلی یا به عنوان مرجعی برای محققان استفاده شود. متن شامل کدهایی است که می توان آنها را کپی و جایگذاری کرد، تمرین ها و یک ضمیمه با خلاصه ای از مهمترین مفاهیم فنی.


توضیحاتی درمورد کتاب به خارجی

A concise and self-contained introduction to causal inference, increasingly important in data science and machine learning. The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models and how to learn them from data. After explaining the need for causal models and discussing some of the principles underlying causal inference, the book teaches readers how to use causal models: how to compute intervention distributions, how to infer causal models from observational and interventional data, and how causal ideas could be exploited for classical machine learning problems. All of these topics are discussed first in terms of two variables and then in the more general multivariate case. The bivariate case turns out to be a particularly hard problem for causal learning because there are no conditional independences as used by classical methods for solving multivariate cases. The authors consider analyzing statistical asymmetries between cause and effect to be highly instructive, and they report on their decade of intensive research into this problem. The book is accessible to readers with a background in machine learning or statistics, and can be used in graduate courses or as a reference for researchers. The text includes code snippets that can be copied and pasted, exercises, and an appendix with a summary of the most important technical concepts.



فهرست مطالب

Contents
Preface
Notation and Terminology
1.
Statistical and Causal Models
	1.1
Probability Theory and Statistics
	1.2
Learning Theory
	1.3
Causal Modeling and Learning
	1.4
Two Examples
2.
Assumptions for Causal Inference
	2.1
The Principle of Independent Mechanisms
	2.2
Historical Notes
	2.3
Physical Structure Underlying Causal Models
3.
Cause-Effect Models
	3.1
Structural Causal Models
	3.2
Interventions
	3.3
Counterfactuals
	3.4
Canonical Representation of Structural Causal Models
	3.5
Problems
4.
Learning Cause-Effect Models
	4.1
Structure Identifiability
	4.2
Methods for Structure Identification
	4.3
Problems
5.
Connections to Machine Learning, I
	5.1
Semi-Supervised Learning
	5.2
Covariate Shift
	5.3
Problems
6.
Multivariate Causal Models
	6.1
Graph Terminology
	6.2
Structural Causal Models
	6.3
Interventions
	6.4
Counterfactuals
	6.5
Markov Property, Faithfulness, and Causal Minimality
	6.6
Calculating Intervention Distributions by Covariate Adjustment
	6.7
Do-Calculus
	6.8
Equivalence and Falsifiability of Causal Models
	6.9
Potential Outcomes
	6.10
Generalized Structural Causal Models Relating Single Objects
	6.11
Algorithmic Independence of Conditionals
	6.12
Problems
7.
Learning Multivariate Causal Models
	7.1
Structure Identifiability
	7.2
Methods for Structure Identification
	7.3
Problems
8.
Connections to Machine Learning, II
	8.1
Half-Sibling Regression
	8.2
Causal Inference and Episodic Reinforcement Learning
	8.3
Domain Adaptation
	8.4
Problems
9.
Hidden Variables
	9.1
Interventional Sufficiency
	9.2
Simpson's Paradox
	9.3
Instrumental Variables
	9.4
Conditional Independences and Graphical Representations
	9.5
Constraints beyond Conditional Independence
	9.6
Problems
10.
Time Series
	10.1
Preliminaries and Terminology
	10.2
Structural Causal Models and Interventions
	10.3
Learning Causal Time Series Models
	10.4
Dynamic Causal Modeling
	10.5
Problems
Appendix A.
Some Probability and Statistics
	A.1
Basic Definitions
	A.2
Independence and Conditional Independence Testing
	A.3
Capacity of Function Classes
Appendix B. Causal Orderings and Adjacency Matrices
Appendix C. Proofs
	C.1
Proof of Theorem 4.2
	C.2
Proof of Proposition 6.3
	C.3
Proof of Remark 6.6
	C.4
Proof of Proposition 6.13
	C.5
Proof of Proposition 6.14
	C.6
Proof of Proposition 6.36
	C.7 Proof of Proposition 6.48
	C.8
Proof of Proposition 6.49
	C.9
Proof of Proposition 7.1
	C.10
Proof of Proposition 7.4
	C.11
Proof of Proposition 8.1
	C.12
Proof of Proposition 8.2
	C.13
Proof of Proposition 9.3
	C.14
Proof of Theorem 10.3
	C.15
Proof of Theorem 10.4
Bibliography
Index




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی