Bewertung:
Das Buch wird für seinen nützlichen Inhalt und sein hochwertiges physisches Format gelobt, das besonders für diejenigen interessant ist, die mit Konzepten des maschinellen Lernens vertraut sind. Es gibt jedoch erhebliche Bedenken hinsichtlich der Produktionsqualität, insbesondere hinsichtlich der Kindle-Formatierung.
Vorteile:Hochwertiges physisches Exemplar, gute Papierqualität, farbig gedruckte Abbildungen, eine nützliche Nische im Bereich der kausalen Schlussfolgerungen unter Verwendung der Notation des maschinellen Lernens, die denjenigen vertraut ist, die mit „Elements of Statistical Learning“ gelernt haben.
Nachteile:Schlechte Qualitätskontrolle mit Problemen wie einem auf dem Kopf stehenden Buchumschlag, schlechter Kindle-Formatierung mit unleserlichen Symbolen.
(basierend auf 5 Leserbewertungen)
Elements of Causal Inference: Foundations and Learning Algorithms
Eine prägnante und in sich geschlossene Einführung in den Kausalschluss, der in den Datenwissenschaften und beim maschinellen Lernen immer wichtiger wird.
Die Mathematisierung der Kausalität ist eine relativ neue Entwicklung, die in den Datenwissenschaften und beim maschinellen Lernen zunehmend an Bedeutung gewinnt. Dieses Buch bietet eine in sich geschlossene und prägnante Einführung in Kausalmodelle und wie man sie aus Daten lernen kann.
Nachdem die Notwendigkeit von Kausalmodellen erklärt und einige der Prinzipien, die der Kausalableitung zugrunde liegen, erörtert wurden, zeigt das Buch dem Leser, wie man Kausalmodelle verwendet: wie man Interventionsverteilungen berechnet, wie man Kausalmodelle aus Beobachtungs- und Interventionsdaten ableitet und wie kausale Ideen für klassische maschinelle Lernprobleme genutzt werden können. All diese Themen werden zunächst im Hinblick auf zwei Variablen und dann im allgemeineren multivariaten Fall diskutiert. Der bivariate Fall erweist sich als ein besonders schwieriges Problem für kausales Lernen, da es keine bedingten Abhängigkeiten gibt, wie sie von klassischen Methoden zur Lösung multivariater Fälle verwendet werden. Die Autoren halten die Analyse statistischer Asymmetrien zwischen Ursache und Wirkung für äußerst lehrreich und berichten über ihre zehnjährige intensive Forschung zu diesem Problem.
Das Buch ist auch für Leser mit Vorkenntnissen in maschinellem Lernen oder Statistik zugänglich und kann in Graduiertenkursen oder als Referenz für Forscher verwendet werden. Der Text enthält Codeschnipsel, die kopiert und eingefügt werden können, Übungen und einen Anhang mit einer Zusammenfassung der wichtigsten technischen Konzepte.
| ISBN: | 9780262037310 |
| Autor: | |
| Verlag: | |
| Einband: | Hardcover |
| Erscheinungsjahr: | 2017 |
| Seitenzahl: | 288 |
Derzeit verfügbar, auf Lager.
