计算机 类型
可以朗读 语音朗读
202千字 字数
2023-05-01 发行日期
展开全部

主编推荐语

一本系统介绍因果推断的基本概念、理论与方法的参考书。

内容简介

本书以构建因果推断基础知识框架，主要从Rubin因果模型、Pearl因果模型、基于图模型的因果效应计算、因果结构学习、因果机器学习五个篇章为大家介绍智因果推断的基础理论、模型、方法、和前沿应用，引领学生步入充满趣味与挑战的因果推理领域。

目录

  • 版权信息
  • 推荐序
  • 前言
  • 符号表
  • 第一部分 因果推断基础
  • 第1章 因果关系推断的基本概念
  • 1.1 因果关系推断
  • 1.2 混杂与辛普森悖论
  • 1.3 随机对照试验
  • 1.4 数据驱动的因果推断模型
  • 1.5 图模型
  • 1.5.1 有向无环图
  • 1.5.2 最大祖先图
  • 1.6 贝叶斯网络
  • 参考文献
  • 第二部分 Rubin潜在结果模型与因果效应
  • 第2章 潜在结果模型与因果效应的概念
  • 2.1 潜在结果模型的概念
  • 2.1.1 潜在结果的定义
  • 2.1.2 潜在结果模型
  • 2.2 因果效应定义与假设
  • 2.2.1 个体因果效应
  • 2.2.2 平均因果效应
  • 2.2.3 异质性因果效应
  • 2.3 拓展阅读
  • 参考文献
  • 第3章 因果效应估计方法
  • 3.1 匹配方法
  • 3.1.1 选择协变量
  • 3.1.2 定义距离度量
  • 3.1.3 选择匹配算法
  • 3.1.4 评估匹配算法
  • 3.2 分层方法
  • 3.3 重加权方法
  • 3.3.1 样本重加权
  • 3.3.2 样本和协变量重加权
  • 3.4 表示学习方法
  • 3.4.1 问题转化
  • 3.4.2 反事实回归方法
  • 3.4.3 保持个体相似性的因果效应估计方法
  • 3.5 拓展阅读
  • 参考文献
  • 第三部分 Pearl因果图模型与方法
  • 第4章 干预与因果图模型
  • 4.1 干预与do演算
  • 4.2 因果贝叶斯网络模型
  • 4.2.1 因果贝叶斯网络基础
  • 4.2.2 因果贝叶斯网络与干预
  • 4.3 结构因果模型
  • 4.3.1 结构因果模型的定义
  • 4.3.2 结构因果模型与干预
  • 4.4 拓展阅读
  • 参考文献
  • 第5章 混杂偏差
  • 5.1 混杂因子的图形化表示
  • 5.2 父代因果效应准则
  • 5.3 后门准则
  • 5.4 前门准则
  • 5.5 do演算公理系统
  • 5.6 拓展阅读
  • 参考文献
  • 第6章 选择偏差
  • 6.1 选择偏差的概念
  • 6.2 选择偏差的图形化表示
  • 6.3 选择后门标准
  • 6.4 拓展阅读
  • 参考文献
  • 第7章 反事实推断
  • 7.1 反事实的定义
  • 7.2 反事实计算
  • 7.3 反事实和干预
  • 7.3.1 反事实与do算子
  • 7.3.2 后门的反事实解释
  • 7.4 反事实与潜在结果
  • 7.5 反事实与决策
  • 7.5.1 必要因、充分因和充要因
  • 7.5.2 参与者处理效应
  • 7.6 拓展阅读
  • 参考文献
  • 第8章 因果中介效应
  • 8.1 中介效应的基本概念
  • 8.2 基于线性模型的因果中介效应
  • 8.3 基于反事实的因果中介效应
  • 8.4 进一步分析
  • 8.5 拓展阅读
  • 参考文献
  • 第9章 工具变量
  • 9.1 工具变量的概念
  • 9.1.1 三个基本条件
  • 9.1.2 工具变量不等式
  • 9.1.3 同质性与单调性
  • 9.2 工具因果效应估计
  • 9.2.1 二值工具因果效应估计
  • 9.2.2 连续工具因果效应估计
  • 9.3 条件工具变量
  • 9.4 识别工具变量
  • 9.5 拓展阅读
  • 参考文献
  • 第四部分 因果结构学习方法
  • 第10章 组合优化因果结构学习
  • 10.1 限制优化学习
  • 10.1.1 理论基础
  • 10.1.2 PC算法
  • 10.1.3 FCI算法
  • 10.2 打分优化学习
  • 10.2.1 基本思路
  • 10.2.2 评分函数
  • 10.2.3 经典的打分优化学习算法
  • 10.3 拓展阅读
  • 参考文献
  • 第11章 连续优化因果结构学习
  • 11.1 连续优化方法
  • 11.1.1 模型构造
  • 11.1.2 权重邻接矩阵
  • 11.1.3 数值问题转化
  • 11.1.4 无环约束方法
  • 11.1.5 迭代优化
  • 11.2 从线性模型到神经网络
  • 11.3 用MLP进行DAG学习
  • 11.3.1 多层感知机
  • 11.3.2 生成模型构建
  • 11.3.3 邻接矩阵表示
  • 11.3.4 训练优化
  • 11.4 DAG-GNN
  • 11.4.1 问题转化
  • 11.4.2 变分自编码器
  • 11.4.3 模型构造
  • 11.4.4 离散情形
  • 11.4.5 无环约束改进
  • 11.4.6 训练优化
  • 11.5 对抗优化方法SAM
  • 11.5.1 生成对抗网络
  • 11.5.2 深度神经网络拟合因果机制
  • 11.5.3 学习准则
  • 11.6 拓展阅读
  • 参考文献
  • 第12章 局部因果结构学习
  • 12.1 基于限制的局部因果结构学习
  • 12.1.1 局部骨架学习
  • 12.1.2 局部骨架定向
  • 12.2 基于打分的局部因果结构学习
  • 12.3 局部到全局的因果结构学习
  • 12.3.1 MMHC算法
  • 12.3.2 对称性校正
  • 12.4 拓展阅读
  • 参考文献
  • 第五部分 因果结构未知情形下的因果效应估计
  • 第13章 基于CPDAG的因果效应估计
  • 13.1 基于全局CPDAG的因果效应估计
  • 13.1.1 IDA算法思想
  • 13.1.2 IDA算法执行
  • 13.2 基于局部因果结构的因果效应估计
  • 13.2.1 总效应和直接效应
  • 13.2.2 等价类与链组件
  • 13.2.3 基于链组件的全局方法
  • 13.2.4 基于链组件的局部方法
  • 13.3 拓展阅读
  • 参考文献
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。