掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
因果推斷導論 版權信息
- ISBN：9787111731078
- 條形碼：9787111731078 ; 978-7-111-73107-8
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
因果推斷導論 本書特色
本書是一本系統介紹因果推斷的基本概念、理論與方法的參考書，主要特色如下：
?從Rubin潛在結果模型開始，系統的介紹了因果推斷的基本概念、基本問題和重要假設，然后詳細介紹了基于Rubin潛在結果模型的經典和代表性的因果效應計算方法；
?基于Rubin潛在結果模型引入Pearl因果結構模型，比較系統的從圖模型的角度詳細介紹了Pearl因果推斷框架下的do演算、混雜偏差、選擇偏差、反事實、中介效應等因果推斷的重要概念與理論方法；
?從Pearl因果結構模型的角度詳細介紹了經典與*新因果結構學習算法的基本思想和執行過程，以及Pearl因果推斷框架在實際數據中的因果效應計算方法。
因果推斷導論 內容簡介
本書以構建因果推斷基礎知識框架，主要從Rubin因果模型、Pearl因果模型、基于圖模型的因果效應計算、因果結構學習、因果機器學習五個篇章為大家介紹智因果推斷的基礎理論、模型、方法、和前沿應用，引領學生步入充滿趣味與挑戰的因果推理領域。
因果推斷導論 目錄
CONTENTS
目??錄
推薦序
前言
符號表
**部分 因果推斷基礎
第1章 因果關系推斷的基本概念 2
1.1 因果關系推斷 2
1.2 混雜與辛普森悖論 3
1.3 隨機對照試驗 4
1.4 數據驅動的因果推斷模型 4
1.5 圖模型 5
1.5.1 有向無環圖 5
1.5.2 *大祖先圖 7
1.6 貝葉斯網絡 11
參考文獻 15
第二部分 Rubin潛在結果
模型與因果效應
第2章 潛在結果模型與因果效應
的概念 18
2.1 潛在結果模型的概念 18
2.1.1 潛在結果的定義 18
2.1.2 潛在結果模型 20
2.2 因果效應定義與假設 20
2.2.1 個體因果效應 20
2.2.2 平均因果效應 21
2.2.3 異質性因果效應 25
2.3 拓展閱讀 27
參考文獻 27
第3章 因果效應估計方法 29
3.1 匹配方法 29
3.1.1 選擇協變量 31
3.1.2 定義距離度量 31
3.1.3 選擇匹配算法 34
3.1.4 評估匹配算法 39
3.2 分層方法 40
3.3 重加權方法 42
3.3.1 樣本重加權 42
3.3.2 樣本和協變量重加權 46
3.4 表示學習方法 49
3.4.1 問題轉化 49
3.4.2 反事實回歸方法 50
3.4.3 保持個體相似性的
因果效應估計方法 54
3.5 拓展閱讀 60
參考文獻 61
第三部分 Pearl因果
圖模型與方法
第4章 干預與因果圖模型 64
4.1 干預與do演算 64
4.2 因果貝葉斯網絡模型 65
4.2.1 因果貝葉斯網絡基礎 65
4.2.2 因果貝葉斯網絡與干預 68
4.3 結構因果模型 71
4.3.1 結構因果模型的定義 71
4.3.2 結構因果模型與干預 72
4.4 拓展閱讀 73
參考文獻 73
第5章 混雜偏差 75
5.1 混雜因子的圖形化表示 75
5.2 父代因果效應準則 77
5.3 后門準則 79
5.4 前門準則 81
5.5 do演算公理系統 83
5.6 拓展閱讀 85
參考文獻 86
第6章 選擇偏差 87
6.1 選擇偏差的概念 87
6.2 選擇偏差的圖形化表示 88
6.3 選擇后門標準 90
6.4 拓展閱讀 92
參考文獻 93
第7章 反事實推斷 95
7.1 反事實的定義 95
7.2 反事實計算 96
7.3 反事實和干預 98
7.3.1 反事實與do算子 98
7.3.2 后門的反事實解釋 100
7.4 反事實與潛在結果 102
7.5 反事實與決策 104
7.5.1 必要因、充分因和充要因 104
7.5.2 參與者處理效應 106
7.6 拓展閱讀 108
參考文獻 108
第8章 因果中介效應 110
8.1 中介效應的基本概念 110
8.2 基于線性模型的因果中介效應 113
8.3 基于反事實的因果中介效應 115
8.4 進一步分析 121
8.5 拓展閱讀 123
參考文獻 123
第9章 工具變量 125
9.1 工具變量的概念 125
9.1.1 三個基本條件 125
9.1.2 工具變量不等式 126
9.1.3 同質性與單調性 127
9.2 工具因果效應估計 129
9.2.1 二值工具因果效應估計 129
9.2.2 連續工具因果效應估計 130
9.3 條件工具變量 131
9.4 識別工具變量 133
9.5 拓展閱讀 135
參考文獻 135
第四部分 因果結構學習方法
第10章 組合優化因果結構學習 138
10.1 限制優化學習 139
10.1.1 理論基礎 139
10.1.2 PC算法 142
10.1.3 FCI算法 154
10.2 打分優化學習 161
10.2.1 基本思路 161
10.2.2 評分函數 162
10.2.3 經典的打分優化
學習算法 165
10.3 拓展閱讀 168
參考文獻 168
第11章 連續優化因果結構
學習 171
11.1 連續優化方法 171
11.1.1 模型構造 171
11.1.2 權重鄰接矩陣 172
11.1.3 數值問題轉化 173
11.1.4 無環約束方法 174
11.1.5 迭代優化 176
11.2 從線性模型到神經網絡 177
11.3 用MLP進行DAG學習 179
11.3.1 多層感知機 179
11.3.2 生成模型構建 180
11.3.3 鄰接矩陣表示 181
11.3.4 訓練優化 183
11.4 DAG-GNN 183
11.4.1 問題轉化 184
11.4.2 變分自編碼器 184
11.4.3 模型構造 187
11.4.4 離散情形 188
11.4.5 無環約束改進 188
11.4.6 訓練優化 189
11.5 對抗優化方法SAM 190
11.5.1 生成對抗網絡 190
11.5.2 深度神經網絡擬合
因果機制 190
11.5.3 學習準則 192
11.6 拓展閱讀 195
參考文獻 196
第12章 局部因果結構學習 198
12.1 基于限制的局部因果結構學習 198
12.1.1 局部骨架學習 198
12.1.2 局部骨架定向 208
12.2 基于打分的局部因果結構學習 210
12.3 局部到全局的因果
結構學習 211
12.3.1 MMHC算法 211
12.3.2 對稱性校正 212
12.4 拓展閱讀 213
參考文獻 214
第五部分 因果結構未知情形下的因果效應估計
第13章 基于CPDAG的因果效應
估計 218
13.1 基于全局CPDAG的
因果效應估計 218
13.1.1 IDA算法思想 218
13.1.2 IDA算法執行 219
13.2 基于局部因果結構的
因果效應估計 222
13.2.1 總效應和直接效應 222
13.2.2 等價類與鏈組件 223
13.2.3 基于鏈組件的全局方法 224
13.2.4 基于鏈組件的局部方法 227
13.3 拓展閱讀 231
參考文獻 231
目??錄
推薦序
前言
符號表
**部分 因果推斷基礎
第1章 因果關系推斷的基本概念 2
1.1 因果關系推斷 2
1.2 混雜與辛普森悖論 3
1.3 隨機對照試驗 4
1.4 數據驅動的因果推斷模型 4
1.5 圖模型 5
1.5.1 有向無環圖 5
1.5.2 *大祖先圖 7
1.6 貝葉斯網絡 11
參考文獻 15
第二部分 Rubin潛在結果
模型與因果效應
第2章 潛在結果模型與因果效應
的概念 18
2.1 潛在結果模型的概念 18
2.1.1 潛在結果的定義 18
2.1.2 潛在結果模型 20
2.2 因果效應定義與假設 20
2.2.1 個體因果效應 20
2.2.2 平均因果效應 21
2.2.3 異質性因果效應 25
2.3 拓展閱讀 27
參考文獻 27
第3章 因果效應估計方法 29
3.1 匹配方法 29
3.1.1 選擇協變量 31
3.1.2 定義距離度量 31
3.1.3 選擇匹配算法 34
3.1.4 評估匹配算法 39
3.2 分層方法 40
3.3 重加權方法 42
3.3.1 樣本重加權 42
3.3.2 樣本和協變量重加權 46
3.4 表示學習方法 49
3.4.1 問題轉化 49
3.4.2 反事實回歸方法 50
3.4.3 保持個體相似性的
因果效應估計方法 54
3.5 拓展閱讀 60
參考文獻 61
第三部分 Pearl因果
圖模型與方法
第4章 干預與因果圖模型 64
4.1 干預與do演算 64
4.2 因果貝葉斯網絡模型 65
4.2.1 因果貝葉斯網絡基礎 65
4.2.2 因果貝葉斯網絡與干預 68
4.3 結構因果模型 71
4.3.1 結構因果模型的定義 71
4.3.2 結構因果模型與干預 72
4.4 拓展閱讀 73
參考文獻 73
第5章 混雜偏差 75
5.1 混雜因子的圖形化表示 75
5.2 父代因果效應準則 77
5.3 后門準則 79
5.4 前門準則 81
5.5 do演算公理系統 83
5.6 拓展閱讀 85
參考文獻 86
第6章 選擇偏差 87
6.1 選擇偏差的概念 87
6.2 選擇偏差的圖形化表示 88
6.3 選擇后門標準 90
6.4 拓展閱讀 92
參考文獻 93
第7章 反事實推斷 95
7.1 反事實的定義 95
7.2 反事實計算 96
7.3 反事實和干預 98
7.3.1 反事實與do算子 98
7.3.2 后門的反事實解釋 100
7.4 反事實與潛在結果 102
7.5 反事實與決策 104
7.5.1 必要因、充分因和充要因 104
7.5.2 參與者處理效應 106
7.6 拓展閱讀 108
參考文獻 108
第8章 因果中介效應 110
8.1 中介效應的基本概念 110
8.2 基于線性模型的因果中介效應 113
8.3 基于反事實的因果中介效應 115
8.4 進一步分析 121
8.5 拓展閱讀 123
參考文獻 123
第9章 工具變量 125
9.1 工具變量的概念 125
9.1.1 三個基本條件 125
9.1.2 工具變量不等式 126
9.1.3 同質性與單調性 127
9.2 工具因果效應估計 129
9.2.1 二值工具因果效應估計 129
9.2.2 連續工具因果效應估計 130
9.3 條件工具變量 131
9.4 識別工具變量 133
9.5 拓展閱讀 135
參考文獻 135
第四部分 因果結構學習方法
第10章 組合優化因果結構學習 138
10.1 限制優化學習 139
10.1.1 理論基礎 139
10.1.2 PC算法 142
10.1.3 FCI算法 154
10.2 打分優化學習 161
10.2.1 基本思路 161
10.2.2 評分函數 162
10.2.3 經典的打分優化
學習算法 165
10.3 拓展閱讀 168
參考文獻 168
第11章 連續優化因果結構
學習 171
11.1 連續優化方法 171
11.1.1 模型構造 171
11.1.2 權重鄰接矩陣 172
11.1.3 數值問題轉化 173
11.1.4 無環約束方法 174
11.1.5 迭代優化 176
11.2 從線性模型到神經網絡 177
11.3 用MLP進行DAG學習 179
11.3.1 多層感知機 179
11.3.2 生成模型構建 180
11.3.3 鄰接矩陣表示 181
11.3.4 訓練優化 183
11.4 DAG-GNN 183
11.4.1 問題轉化 184
11.4.2 變分自編碼器 184
11.4.3 模型構造 187
11.4.4 離散情形 188
11.4.5 無環約束改進 188
11.4.6 訓練優化 189
11.5 對抗優化方法SAM 190
11.5.1 生成對抗網絡 190
11.5.2 深度神經網絡擬合
因果機制 190
11.5.3 學習準則 192
11.6 拓展閱讀 195
參考文獻 196
第12章 局部因果結構學習 198
12.1 基于限制的局部因果結構學習 198
12.1.1 局部骨架學習 198
12.1.2 局部骨架定向 208
12.2 基于打分的局部因果結構學習 210
12.3 局部到全局的因果
結構學習 211
12.3.1 MMHC算法 211
12.3.2 對稱性校正 212
12.4 拓展閱讀 213
參考文獻 214
第五部分 因果結構未知情形下的因果效應估計
第13章 基于CPDAG的因果效應
估計 218
13.1 基于全局CPDAG的
因果效應估計 218
13.1.1 IDA算法思想 218
13.1.2 IDA算法執行 219
13.2 基于局部因果結構的
因果效應估計 222
13.2.1 總效應和直接效應 222
13.2.2 等價類與鏈組件 223
13.2.3 基于鏈組件的全局方法 224
13.2.4 基于鏈組件的局部方法 227
13.3 拓展閱讀 231
參考文獻 231
展開全部
書友推薦
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
莉莉和章魚
- >
隨園食單
- >
龍榆生：詞曲概論/大家小書
- >
苦雨齋序跋文-周作人自編集
- >
經典常談
- >
姑媽的寶刀
- >
伯納黛特,你要去哪(2021新版)
本類暢銷
