构建能够可靠进行因果推理的 AI 模型

如果你采取不同的做法,结果会如何?因果 AI(Causal AI) 能为你提供基于因果关系(而非单纯相关性)进行预测与控制的洞察力,使你能够做出精准且及时的干预决策。《Causal AI》是一本实用指南,介绍如何构建具备因果推理能力的 AI 模型。

**在《Causal AI》中,你将学习如何:

构建因果强化学习算法

使用如 PyTorchPyro 等现代概率建模工具实现因果推理

比较与分析统计学方法计量经济学方法在因果推理中的异同 * 构建用于归因分析、责任分配与解释的算法 * 将领域知识转换为可解释的因果模型

作者 Robert Osazuwa Ness 是微软研究院因果 AI 领域的顶尖研究员,他凭借深厚的专业背景,为本书注入了前沿视角。他采用清晰、代码优先 的写作方式,讲解了因果机器学习中在论文中常常难以理解的关键细节。书中的内容可以直接、有效地应用于实际工业场景,从构建可解释的因果模型到预测反事实结果。 由 Lindsay Edwards 撰写序言。 购买纸质版图书可免费获得 Manning Publications 提供的 PDF 和 ePub 格式电子书。


技术背景简介

传统的机器学习模型无法回答诸如“为什么会发生这种情况?”或“我该改变哪些因素才能获得预期结果?”这样的问题。本书结合了高级统计方法、计算技术与全新算法,构建出能够自动完成因果推理的机器学习系统。


图书简介

《Causal AI》系统介绍了用于机器学习的因果推理工具、技术与算法。这本独特的著作将贝叶斯方法概率建模巧妙结合,并配有丰富的 Python 实践案例。你将学习如何将因果假设融入深度学习架构,包括强化学习与大语言模型;并使用 PyTorch、Pyro 及其他机器学习库来扩展因果推理的规模

**本书涵盖内容包括:

使用 DoWhy 实现端到端的因果推理 * 深度贝叶斯因果生成模型 * 对 do-calculus(做演算)Pearl 因果层级 的代码驱动讲解 * 针对因果大语言模型的微调代码


读者对象

适合数据科学家与机器学习工程师阅读。示例代码使用 Python。


作者简介

Robert Osazuwa Ness 是微软研究院的人工智能研究员,亦为东北大学的教授。他是开源因果推理项目的贡献者,包括 Python 的 DoWhy 与 R 语言的 bnlearn


目录概要

第一部分

1 为什么选择因果 AI 2 概率生成建模入门 第二部分

3 构建因果图模型 4 使用因果约束验证 DAG(有向无环图) 5 将因果性与深度学习相结合 第三部分

6 结构性因果模型 7 干预与因果效应 8 反事实与平行世界 9 通用反事实推理算法 10 可识别性与因果层级 第四部分

11 构建因果推理工作流 12 因果决策与强化学习 13 因果性与大语言模型

成为VIP会员查看完整内容
75

这本书的一个关键结构特点是其模块化的组织方式,旨在提供灵活性,以便根据课程内容的变化进行调整和修改。具体来说,全书分为两个部分: (1)基础平台:包括第1章。该章节对近似动态规划(DP)/强化学习(RL)领域进行了有选择性的概述,为课堂中其他RL主题的更深入讲解提供了起点,而这些主题的选择可以由授课教师灵活决定。 (2)深入探讨部分:包括第2章和第3章,主要聚焦于具体方法的详细介绍。第2章主要讲解确定性与随机性 rollout 技术,以及一些相关的价值函数近似方法;第3章则讨论了在离线训练中使用神经网络及其他近似结构的技术。 这种模块化结构允许教师根据课程重点进行个性化定制。例如,教师可以利用第1章的基础平台来构建更偏数学理论或更偏实用导向的课程,以满足不同学生的需求。 此外,还需指出的是,本书所包含的内容超出了一个学期课堂教学所能覆盖的范围,这为授课教师在教学内容选择上提供了更多灵活性。

成为VIP会员查看完整内容
42

这是一本关于自由概率论的导论性材料,涵盖了其基础的组合理论与解析理论,同时也介绍了自由概率与随机矩阵算子代数之间的联系。本讲义的内容主要基于讲授者的两部著作:一部与 Nica 合著 [NSp],另一部与 Mingo 合著 [MSp]。 本系列课程中,自由概率仅限于标量值情形的讨论;关于算子值自由概率的内容将在后续题为《非交换分布》的课程中讲授。 本课程于2018/19 年冬季学期在**德国萨尔兰大学(Saarland University)**开设,共计 26 讲,每讲 90 分钟。课程全程录像,现已公开,可通过以下链接观看:

成为VIP会员查看完整内容
21
Top
微信扫码咨询专知VIP会员