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 PyTorch 与 Pyro 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与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与概率建模巧妙结合，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） 与 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
Causal AI
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和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： 
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。
微信扫码咨询专知VIP会员