人工智能和因果推理阐述了人工智能(AI)和因果推理之间关系的最新发展。尽管人工智能取得了重大进展，但我们仍然面临着人工智能发展中的一个巨大挑战，即理解智能背后的机制，包括推理、计划和想象。理解、迁移和概括是提高智能的主要原则。因果推理是理解的一个关键组成部分。因果推理包括干预、领域转移学习、时间结构和反事实思维等概念，是理解因果关系和推理的主要概念。不幸的是，这些因果关系的重要组成部分经常被机器学习忽略，这导致了深度学习的一些失败。人工智能和因果推理包括:(1)将人工智能技术作为因果分析的主要工具;(2)将因果概念和因果分析方法应用于解决人工智能问题。这本书的目的是填补人工智能和现代因果分析之间的空白，进一步促进人工智能革命。这本书是理想的研究生和研究人员在人工智能，数据科学，因果推理，统计，基因组学，生物信息学和精准医学。
https://www.routledge.com/Artificial-Intelligence-and-Causal-Inference/Xiong/p/book/9780367859404
涵盖三种类型的神经网络，制定深度学习作为最优控制问题。 * 非线性中介的深度学习与工具变量因果分析。 * 因果网络的构建是一个连续优化问题。 * Transformer和注意力用于图的编码解码。RL用于推断大型因果网络。 * 使用VAE、GAN、神经微分方程、回归神经网络(RNN)和RL来估计反事实的结果。 * 网络干扰下基于人工智能的个体化治疗效果估计方法。
Artificial Intelligence and Causal Inference
使用免费且易于学习的网络工具，用数据讲述你的故事并展示出来。这本入门书教你如何为你的网站设计交互式图表和定制地图，从简单的拖放工具开始，如谷歌Sheets、Datawrapper和Tableau Public。你也将逐渐学会如何编辑开源代码模板，如图表.js, Highcharts，和在GitHub上的传单。
动手数据可视化将通过教程，现实世界的例子和在线资源逐步带您。这本实用指南对于学生、非营利组织、小企业主、地方政府、记者、学者以及任何想要从电子表格中提取数据并将其转化为生动互动故事的人来说都是理想的。不需要编码经验。
这本书，你将学习如何通过混合设计原则和一步一步的教程的章节来创建真实和有意义的数据可视化，从而使你的基于信息的分析和论证更有洞察力和说服力。就像句子有了支持性证据和来源说明会变得更有说服力一样，你的数据驱动写作在搭配适当的表格、图表或地图时也会变得更强大。文字告诉我们故事，而可视化通过将数量、关系或空间模式转换为图像向我们展示数据故事。当可视化设计良好时，它们会将我们的注意力吸引到数据中最重要的东西上，而这是很难通过文本进行交流的。
我们的书以越来越多的免费和易于学习的数字工具为特色，用于创建数据可视化。我们将这一术语广义地定义为:将数据编码为图像的图表和添加空间维度的地图。虽然表格不能以同样的方式展示数据，但我们在本书中包含它们，是因为我们的实用需要引导新学习者通过决策过程，通常导致构建这三种产品之一。此外，在这个数字时代，我们将数据可视化定义为可以通过修改底层信息(通常存储在数据文件中)轻松重用的图像，而不是通常设计为一次性艺术品的信息图。
我们设计了动手数据可视化来介绍关键概念，并为新学习者提供一步一步的教程。你可以自学，也可以用书来教别人。另外，与许多只关注于一个工具的技术书籍不同，我们的书指导您如何在我们推荐的20多个免费且易于使用的可视化工具中进行选择。最后，虽然其他一些书只关注只能分布在纸上或PDF文档上的静态可视化，但我们演示了如何设计交互式表格、图表和地图，并将它们嵌入到web上。交互式可视化通过邀请他们与数据进行交互，探索他们感兴趣的模式，如果需要的话下载文件，并轻松地在社交媒体上分享您的工作，从而在互联网上吸引更广泛的受众。
https://www.oreilly.com/library/view/hands-on-data-visualization/9781492085997/
数学建模:模型，分析和应用，第二版介绍了离散和连续系统的模型。这本书是针对新来者谁希望学习数学建模，特别是学生在这个主题的第一个课程。从模型制定的一步一步的指导开始，这本书使读者能够使用差分方程(离散模型)、ODE、PDE、延迟和随机微分方程(连续模型)建模。这本书提供数学建模的跨学科和综合的概述，使它为广泛的读者成为一个完整的教科书。
本书的一个特点是涵盖了数学模型的不同例子，包括人口模型、经济模型、军备竞赛模型、战斗模型、学习模型、酒精动力学模型、碳定年法、药物分布模型、机械振荡模型、流行病模型、肿瘤模型、交通流模型、犯罪流模型、空间模型、足球队表现模型、呼吸模型、二神经元系统模型、僵尸模型、恋爱模型。共同的主题，如平衡点，稳定性，相平面分析，分岔，极限环，周期加倍和混沌运行了几个章节，并强调了它们在模型的背景下的解释。第三章讨论了利用实际数据进行系统参数估计以进行模型验证。
该讲座主要面向机器学习、计算机科学或相关学位的硕士学生，但也可能吸引其他学科的学生，如数学、物理、语言学、经济学等。如果有疑问，请参加第一堂课并与我们交谈。
该报告的重点是机器学习的算法和理论两个方面。我们将介绍许多标准算法，并了解构建良好机器学习算法的一般原理和理论结果。主题范围从已经确立的结果到最近的结果。
- 贝叶斯决策理论，没有免费的午餐定理。
- 监督学习问题(回归，分类): 简单基线(最近邻，随机森林);线性方法;正则化; 支持向量机，非线性核方法及其背后的理论
- 无监督学习问题:PCA降维到流形方法从k-means到谱聚类和谱图理论，从MDS到t-SNE的嵌入算法
- 统计学习理论:一致性和泛化界限
- 社会背景下的机器学习:公平、可解释性等
- 低秩矩阵完成，压缩感知
- 排序
https://www.tml.cs.uni-tuebingen.de/teaching/2022_statistical_learning/index.php
微信扫码咨询专知VIP会员