O autorze

O recenzentach

Podziękowania

Słowo wstępne

Przedmowa

CZĘŚĆ 1. Przyczynowość - wprowadzenie

Rozdział 1. Związki przyczynowe? Przecież jest uczenie maszynowe, więc po co zawracać sobie tym głowę?

• Krótka historia przyczynowości
• Dlaczego przyczynowość? Zapytaj dzieci!
  • Interakcje ze światem
  • Zakłócenia - związki, które nie są prawdziwe
• Jak nie stracić pieniędzy. i ludzkich istnień
  • Dylemat marketera
  • Pobawmy się w doktora!
  • Asocjacje w realnym świecie
• Podsumowanie
• Bibliografia

Rozdział 2. Judea Pearl i drabina przyczynowości

• Od asocjacji do logiki i wyobraźni. Drabina przyczynowości
• Asocjacje
  • Ćwiczenie
• Czym są interwencje?
  • Zmienianie świata
  • Korelacja i przyczynowość
• Czym są kontrfakty?
  • Zanurzmy się w dziwactwa (zapis formalny)
  • Podstawowy problem wnioskowania przyczynowego
  • Obliczanie kontrfaktów
  • Czas na kodowanie!
• Dodatek. Czym jest uczenie maszynowe z perspektywy przyczynowości?
  • Przyczynowość a uczenie ze wzmocnieniem
  • Przyczynowość a uczenie półnadzorowane i nienadzorowane
• Podsumowanie
• Bibliografia

Rozdział 3. Regresja, obserwacje i interwencje

• Wprowadzenie. Dane obserwacyjne a regresja liniowa
  • Regresja liniowa
  • Wartości p i istotność statystyczna
  • Interpretacja geometryczna regresji liniowej
  • Odwrócenie kolejności
• Czy zawsze należy kontrolować wszystkie dostępne współzmienne?
  • Poruszanie się po labiryncie
  • Jeśli nie wiesz, dokąd zmierzasz, możesz trafić gdzie indziej
  • Pójdźmy dalej!
  • Kontrolować czy nie kontrolować?
• Modele regresyjne a modele strukturalne
  • Modele SCM
  • Regresja liniowa a modele SCM
  • Szukanie powiązania
  • Regresja a skutki przyczynowe
• Podsumowanie
• Bibliografia

Rozdział 4. Modele grafów

• Grafy, grafy, grafy
  • Rodzaje grafów
  • Reprezentacje grafów
  • Grafy w Pythonie
• Czym jest model grafów?
• Skierowane grafy acykliczne w świecie związków przyczynowych
  • Definicje przyczynowości
  • Grafy DAG a przyczynowość
  • Formalna definicja grafów DAG
  • Ograniczenia grafów DAG
• Źródła grafów przyczynowych w świecie rzeczywistym
  • Odkrywanie związków przyczynowych
  • Wiedza ekspercka
  • Połączenie technik odkrywania związków przyczynowych i wiedzy eksperckiej
• Dodatek. Czy można opisywać związki przyczynowe bez grafów DAG?
  • Układy dynamiczne
  • Cykliczne modele SCM
• Podsumowanie
• Bibliografia

Rozdział 5. Rozwidlenia, łańcuchy i kolidery

• Grafy i rozkłady oraz sposoby mapowania między nimi
  • Jak opisywać niezależność?
  • Wybór właściwego kierunku
  • Warunki i założenia
• Łańcuchy, rozwidlenia i kolidery
  • Łańcuch zdarzeń
  • Łańcuchy
  • Rozwidlenia
  • Kolidery lub struktury v
  • Przypadki niejednoznaczne
• Rozwidlenia, łańcuchy, kolidery i regresja
  • Tworzenie zbioru danych dla łańcucha
  • Tworzenie zestawu danych dla rozwidlenia
  • Tworzenie zbioru danych dla kolidera
  • Dopasowanie modeli regresji
• Podsumowanie
• Bibliografia

CZĘŚĆ 2. Wnioskowanie związków przyczynowych

Rozdział 6. Węzły, krawędzie i statystyczna (nie)zależność

• Zadbaj o separację d!
  • Trening czyni mistrza - separacja d
• Najpierw estymandy!
  • Żyjemy w świecie estymatorów
  • Czym są estymandy?
• Kryterium back-door
  • Czym jest kryterium back-door?
  • Kryterium back-door a estymandy równoważne
• Kryterium front-door
  • Czy GPS może nas wyprowadzić na manowce?
  • Londyńskie taksówki i magiczny kamień
  • Otwarcie frontowych drzwi
  • Trzy proste kroki w kierunku kryterium front-door
  • Kryterium front-door w praktyce
• Czy są jakieś inne kryteria? Zastosujmy rachunek do!
  • Trzy zasady rachunku do
  • Zmienne instrumentalne
• Podsumowanie
• Odpowiedź
• Bibliografia

Rozdział 7. Czteroetapowy proces wnioskowania przyczynowego

• Wprowadzenie do bibliotek DoWhy i EconML
  • Ekosystem analizy przyczynowej Pythona
  • Dlaczego DoWhy?
  • Czym jest pakiet DoWhy?
  • A co z biblioteką EconML?
• Krok 1. Modelowanie problemu
  • Utworzenie grafu
  • Tworzenie obiektu CausalModel
• Krok 2. Identyfikacja estymand
• Krok 3. Wyznaczanie oszacowań
• Krok 4. Zestaw walidacyjny. Testy obalające
  • Jak walidować modele przyczynowe?
  • Wprowadzenie do testów obalających
• Pełny przykład
  • Krok 1. Zakodowanie założeń
  • Krok 2. Wyznaczenie estymandy
  • Krok 3. Wyznaczenie oszacowania
  • Krok 4. Obalenie oszacowania
• Podsumowanie
• Bibliografia

Rozdział 8. Modele przyczynowe. Założenia i wyzwania

• Jestem królem świata! Czy rzeczywiście tak jest?
  • Gdzieś pośrodku
  • Identyfikowalność
  • Brak grafów przyczynowych
  • Za mało danych
  • Nieweryfikowalne założenia
  • Słoń w pokoju - nadzieja czy beznadzieja?
  • Zjedzmy słonia
• Dodatniość
• Wymienność
  • Podmioty wymienne
  • Wymienność a zakłócenia
• .i inne
  • Modułowość
  • SUTVA
  • Spójność
• Nazywaj mnie po imieniu - relacje pozorne
  • Nazwy, nazwy, nazwy
  • Czy powinienem zapytać Ciebie, czy kogoś, kogo tu nie ma?
  • Stwórzcie graf DAG!
  • Dodatkowe informacje o stronniczości wyboru
• Podsumowanie
• Bibliografia

Rozdział 9. Wnioskowanie związków przyczynowych i uczenie maszynowe - od dopasowywania do metalearnerów

• Podstawy I. Dopasowywanie
  • Rodzaje dopasowywania
  • Efekty interwencji - ATE w porównaniu z ATT i ATC
  • Estymatory dopasowywania
  • Implementacja dopasowywania
• Podstawy II. Współczynniki skłonności
  • Dopasowywanie w praktyce
  • Zmniejszenie wymiarowości za pomocą współczynników skłonności
  • Dopasowywanie współczynników skłonności (PSM)
• Odwrotne ważenie prawdopodobieństwa (IPW)
  • Wiele twarzy współczynników skłonności
  • Formalizacja techniki IPW
  • Implementacja IPW
  • IPW - względy praktyczne
• S-Learner - samotny stróż
  • Diabeł tkwi w szczegółach
  • Mamo, tato, poznajcie CATE
  • Żarty na bok. Pozdrowienia dla heterogenicznego tłumu
  • Machanie flagą założeń
  • Jesteś jedyny. Modelowanie z wykorzystaniem techniki S-Learner
  • Dane o niewielkiej objętości
  • Słabe punkty modelu S-Learner
• T-Learner. Razem możemy więcej
  • Wymuszenie właściwego podziału zmiennych
  • T-Learner w czterech krokach i wzory
  • Implementacja modelu T-Learner
• X-Learner. Krok dalej
  • Wyciskanie cytryny
  • Rekonstrukcja modelu X-Learner
  • X-Learner. Formuła alternatywna
  • Implementacja X-Learner
• Podsumowanie
• Bibliografia

Rozdział 10. Wnioskowanie związków przyczynowych i uczenie maszynowe - zaawansowane estymatory, eksperymenty, oceny i nie tylko

• Metody DR. Spróbujmy uzyskać więcej!
  • Czy potrzebujemy czegoś więcej?
  • Podwójnie wzmocniony nie oznacza niezniszczalny...
  • ...ale pozwala wiele zyskać
  • Sekretny, podwójnie mocny sos
  • Estymator DR a założenia
  • DR-Learner. Przechodzenie nad przepaścią
  • Modele DR-Learner - opcje dodatkowe
  • Ukierunkowany estymator maksymalnego prawdopodobieństwa
• Jeśli uczenie maszynowe jest fajne, to co powiesz na podwójne uczenie maszynowe?
  • Dlaczego DML i co jest w nim podwójnego?
  • Implementacja DML za pomocą bibliotek DoWhy i EconML
  • Dostrajanie hiperparametrów za pomocą bibliotek DoWhy i EconML
  • Czy DML jest srebrną kulą?
  • Techniki DR a DML
  • Co z tego będę miał?
• Lasy przyczynowe i nie tylko
  • Drzewa przyczynowe
  • Przepełnienia lasów
  • Zalety lasów przyczynowych
  • Lasy przyczynowe z wykorzystaniem bibliotek
  • DoWhy i EconML
• Niejednorodne efekty interwencji z danymi eksperymentalnymi - odyseja upliftingu
  • Dane
  • Wybór frameworka
  • Nie znamy połowy tej historii
  • Wyzwanie Kevina
  • Otwarcie skrzynki z narzędziami
  • Modele uplift a wydajność
  • Inne wskaźniki dla wyników ciągłych z wieloma interwencjami
  • Przedziały ufności
  • Zwycięski wynik w wyzwaniu Kevina
  • Kiedy należy stosować estymatory CATE dla danych eksperymentalnych?
  • Wybór modelu. Uproszczony przewodnik
• Dodatek. Objaśnienia kontrfaktyczne
  • Zła wola czy nieodpowiednia technologia?
• Podsumowanie
• Bibliografia

Rozdział 11. Wnioskowanie związków przyczynowych i uczenie maszynowe - uczenie głębokie, przetwarzanie języka naturalnego i inne techniki

• Wykorzystanie technik uczenia głębokiego do wyznaczania heterogenicznych efektów interwencji
  • Wskaźniki CATE sięgają głębiej
  • SNet
• Transformatory i wnioskowanie związków przyczynowych
  • Teoria znaczenia w pięciu akapitach
  • Co zrobić, by komputery rozumiały język naturalny?
  • Od filozofii do kodu Pythona
  • Modele LLM a przyczynowość
  • Trzy scenariusze
  • CausalBert
• Przyczynowość i szeregi czasowe, czyli kiedy ekonometryk przechodzi na Bayesa
  • Metody quasi-eksperymentalne
  • Przejęcie Twittera i wzorce googlowania
  • Logika syntetycznych kontroli
  • Wizualne wprowadzenie do logiki kontroli syntetycznej
  • Na początek dane
  • Kontrola syntetyczna w kodzie
  • Wyzwania
• Podsumowanie
• Bibliografia

CZĘŚĆ 3. Odkrywanie związków przyczynowych

Rozdział 12. Czy można prosić o graf przyczynowy?

• Źródła wiedzy przyczynowej
  • Zalew informacji
  • Siła zaskoczenia
• Spostrzeżenia naukowe
  • Logika nauki
  • Hipotezy są gatunkiem
  • Jedna logika, wiele dróg
  • Eksperymenty kontrolowane
  • Randomizowane badania kontrolowane
  • Od eksperymentów do grafów
  • Symulacje
• Osobiste doświadczenia i wiedza dziedzinowa
  • Osobiste doświadczenia
  • Wiedza dziedzinowa
• Uczenie się struktury przyczynowej
• Podsumowanie
• Bibliografia

Rozdział 13. Odkrywanie związków przyczynowych i uczenie maszynowe - od założeń do zastosowań

• Odkrywanie związków przyczynowych - przypomnienie informacji o założeniach
  • Przygotowania
  • Należy zawsze dążyć do zapewnienia wierności...
  • ...ale czasami to jest trudne
  • Minimalizm jest cnotą
• Cztery (i pół) rodziny
  • Cztery strumienie
• Wprowadzenie do pakietu gCastle
  • Witaj, gCastle!
  • Dane syntetyczne w gCastle
  • Dopasowywanie pierwszego modelu odkrywania związków przyczynowych
  • Wizualizacja modelu
  • Wskaźniki oceny modelu
• Odkrywanie związków przyczynowych oparte na ograniczeniach
  • Ograniczenia i niezależność
  • Wykorzystanie struktury niezależności w celu odtworzenia grafu
  • Algorytm PC - ukryte wyzwania
  • Algorytm PC dla danych kategorialnych
• Odkrywanie związków przyczynowych na podstawie punktacji
  • Tabula rasa - zaczynamy od nowa
  • GES - punktacja
  • Algorytm GES w bibliotece gCastle
• Funkcyjne odkrywanie związków przyczynowych
  • Błogosławieństwa asymetrii
  • Model ANM
  • Ocena niezależności
  • Czas na LiNGAM
• Odkrywanie związków przyczynowych oparte na gradientach
  • Czym jest ten gradient?
  • Proszę nie ronić łez!
  • Nie płacz, GOLEM!
  • Porównanie
• Kodowanie wiedzy eksperckiej
  • Czym jest wiedza ekspercka?
  • Wiedza ekspercka w bibliotece gCastle
• Podsumowanie
• Bibliografia

Rozdział 14. Odkrywanie związków przyczynowych i uczenie maszynowe - zaawansowane uczenie głębokie i nie tylko

• Zaawansowane odkrywanie związków przyczynowych za pomocą uczenia głębokiego
  • Od modeli generatywnych do przyczynowości
  • Spójrz wstecz, aby dowiedzieć się, kim jesteś
  • Elementy składowe frameworka DECI
  • Implementacja DECI
  • DECI to rozwiązanie kompleksowe
• Odkrywanie związków przyczynowych w wypadku występowania ukrytych zakłóceń
  • Algorytm FCI
  • Inne podejścia do danych z zakłóceniami
• Dodatek. Nie tylko obserwacje
  • ENCO
  • ABCI
• Odkrywanie związków przyczynowych - praktyczne zastosowania, wyzwania i otwarte problemy
• Podsumowanie
• Bibliografia

Rozdział 15. Epilog

• Czego nauczyłeś się z tej książki?
• Pięć kroków do jak najlepszego wykorzystania projektów przyczynowych
  • Zadaj pytanie
  • Zdobądź wiedzę ekspercką
  • Wygeneruj hipotetyczny graf (grafy)
  • Sprawdź identyfikowalność
  • Dokonaj falsyfikacji hipotez
• Przyczynowość w biznesie
  • Jak eksperci analizy przyczynowej przechodzą od wizji do implementacji?
• Przyszłość przyczynowego uczenia maszynowego
  • Gdzie jesteśmy dziś i dokąd zmierzamy?
  • Wskaźniki przyczynowe
  • Fuzja danych przyczynowych
  • Agenty interwencji
  • Uczenie się struktury przyczynowej
  • Uczenie się przez naśladowanie
• Studiowanie przyczynowości
• Pozostańmy w kontakcie
• Podsumowanie
• Bibliografia

Skorowidz

• Назва: Wnioskowanie i związki przyczynowe w Pythonie. Nowoczesne uczenie maszynowe z wykorzystaniem bibliotek DoWhy, EconML, PyTorch i nie tylko
• Автор: Aleksander Molak
• Оригінальна назва: Causal Inference and Discovery in Python: Unlock the secrets of modern causal machine learning with DoWhy, EconML, PyTorch and more
• Переклад: Radosław Meryk
• ISBN: 978-83-289-0833-8, 9788328908338
• Дата видання: 2024-05-28
• Формат: Eлектронна книга
• Ідентифікатор видання: wnizwi
• Видавець: Helion