【新书】因果人工智能，576页pdf

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