کتاب Causal Inference with Bayesian Networks: Build Bayesian Networks and Causal Inference Models with R and Python 1st Edition (استنتاج علی با شبکه‌های بیزی: ساخت شبکه‌های بیزی و مدل‌های استنتاج علی با R و پایتون، چاپ اول) یک راهنمای عملی است که به بررسی نظریه و کاربرد شبکه‌های بیزی (Bayesian Networks) برای استنتاج احتمالاتی و علی می‌پردازد.

کتاب Causal Inference with Bayesian Networks با ارائه توضیحاتی گام‌به‌گام، مفاهیمی چون مدل‌های گراف، استقلال شرطی، مدل‌های علی ساختاری (SCM) و چارچوب حساب دوعامل (do-calculus) جودیا پرل برای شناسایی و تخمین اثرات علی را پوشش می‌دهد. علاوه بر مبانی نظری، خواننده با روش‌های عملی استنتاج احتمالاتی (مانند حذف متغیر) و همچنین رویکردهای یادگیری ماشین برای تخمین اثر درمان از داده‌های مشاهده‌ای آشنا می‌شود.

در ادامه مقدمه‌ای از کتاب Causal Inference with Bayesian Networks را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Causal Inference with Bayesian Networks:

سوالات علی در قلب تقریباً تمام علوم کاربردی قرار دارند. آیا ترک سیگار طول عمر را افزایش می‌دهد؟ آیا افزایش حداقل دستمزد اشتغال را کاهش می‌دهد؟ آیا یک درمان برای برخی بیماران بهتر از دیگران عمل می‌کند؟ روش‌های آماری سنتی که بر همبستگی‌ها در داده‌های مشاهده‌شده تمرکز دارند، نمی‌توانند به این سوالات پاسخ دهند. نتیجه‌گیری علی معتبر نیازمند چارچوبی جداگانه است که همبستگی را از علیت متمایز کند. این کتاب درباره آن چارچوب و ابزارهای محاسباتی است که می‌توانند آن را به مرحله اجرا درآورند.

مفاهیم با مثال‌های عملی و پیاده‌سازی کد در آر و پایتون، با استفاده از بسته‌هایی مانند `pgmpy`، `CausalModels` و `causallib` تقویت می‌شوند. در نتیجه، خواننده هم درک محکمی از هر مبحث و هم کد مورد نیاز برای پیاده‌سازی آن را به دست می‌آورد. کتاب به گونه‌ای ساختاردهی شده است که از مبانی به سوی کاربردها حرکت کند. ابتدا چارچوب ریاضی استنتاج علی را توسعه می‌دهد و سپس آن را برای مطالعات موردی مختلف به کار می‌برد.

چهار فصل اول کتاب Causal Inference with Bayesian Networks به مرور احتمال و قضیه بیز می‌پردازند، شبکه‌های بیزی و ویژگی‌های ساختاری آن‌ها را معرفی می‌کنند و چارچوب مدل علی ساختاری را توسعه می‌دهند. فصول میانی بر نمایش‌های پایگاه داده رابطه‌ای مدل‌های احتمالاتی، خوشه‌بندی درخت جوین، انتشار باور و حذف متغیر تمرکز دارند.

فصل‌های ۹ و ۱۰ کتاب Causal Inference with Bayesian Networks به استنتاج علی با مدل‌های ساختاری و داده‌های مشاهده‌ای می‌پردازند. این فصول ابزارهای کلیدی در استنتاج علی شامل حساب دوعامل پرل، معیارهای درب پشتی و درب جلویی، چارچوب پیامدهای بالقوه و چارچوب خلاف‌واقع را معرفی می‌کنند.

فصول پایانی کتاب Causal Inference with Bayesian Networks از تئوری به سمت کاربردها حرکت می‌کنند و شامل استنتاج علی با یادگیری ماشین (فرادانشگرها) و سه مطالعه موردی برگرفته از علم اقتصاد (مطالعه لالوند از برنامه National Supported Work)، همه‌گیرشناسی (ترک سیگار و مرگ و میر در مطالعه پیگیری همه‌گیرشناسی ملی سلامت) و علوم اجتماعی (مطالعه حداقل دستمزد کارد و کروگر) هستند که همگی در پایتون پیاده‌سازی شده‌اند.

کتاب Causal Inference with Bayesian Networks برای چه کسانی است

این کتاب برای دانشمندان، محققان و دانشجویان در زمینه‌های مختلف مانند علم داده، علوم اجتماعی، اقتصاد، مراقبت‌های بهداشتی و همه‌گیرشناسی که می‌خواهند استنتاج علی را بیاموزند، نوشته شده است. انتظار می‌رود برای بهره‌مندی حداکثری از این کتاب، دانش پایه‌ای از آر و پایتون و کتابخانه‌های علمی آن‌ها، همراه با آشنایی با مبانی احتمال و آمار داشته باشید.

آنچه کتاب Causal Inference with Bayesian Networks پوشش می‌دهد

فصل ۱: تور هدایت‌شده مباحث کتاب – مقدمه‌ای بر شبکه‌های بیزی، مدل‌های علی ساختاری و استنتاج علی.

فصل ۲: احتمال و قضیه بیز – بحث درباره نظریه احتمال شامل بدیهیات و تفاسیر آن، و معرفی قضیه بیز به عنوان راهی برای به‌روزرسانی عدم قطعیت باورها بر اساس شواهد مشاهده‌شده.

فصل ۳: شبکه‌های بیزی – معرفی شبکه‌های بیزی و مرور ویژگی‌های ساختاری اصلی آن‌ها، توضیح d-جدایی و مفهوم استقلال شرطی بین متغیرهای شبکه، و توصیف مثال‌هایی از کلاس‌های مهم شبکه‌های بیزی.

فصل ۴: مدل‌های علی ساختاری – پوشش مدل‌سازی معادلات ساختاری و مدل‌سازی علی ساختاری به عنوان چارچوب‌هایی برای نمایش روابط بین متغیرهای مشاهده‌شده و مشاهده‌نشده، همراه با مثال‌های عملی در آر و پایتون.

فصل ۵: مدل‌های پایگاه داده رابطه‌ای – معرفی چارچوب پایگاه داده رابطه‌ای برای نمایش و استدلال با مدل‌های گراف احتمالاتی، شامل مثال‌های عملی و تمرین‌های برنامه‌نویسی.

فصل ۶: خوشه‌بندی درخت جوین – توضیح خوشه‌بندی درخت جوین به عنوان روشی برای تبدیل شبکه‌های بیزی به ساختارهای درختی به منظور استنتاج دقیق کارآمد، همراه با مثال‌های عملی در آر.

فصل ۷: استنتاج احتمالاتی با خوشه‌بندی درخت جوین – بحث درباره روش‌های استنتاج با استفاده از انتشار باور برای شبکه‌های بیزی و مارکف، شامل پیاده‌سازی عملی در پایتون با pgmpy.

فصل ۸: استنتاج احتمالاتی با مدل‌های پایگاه داده رابطه‌ای – ارائه رویکردی برای استنتاج احتمالاتی که شبکه‌های بیزی را به عنوان پایگاه داده رابطه‌ای نمایش می‌دهد، همراه با مثال‌های عملی در آر.

فصل ۹: استنتاج علی با مدل‌های علی ساختاری – معرفی حساب دوعامل پرل، معیارهای درب پشتی و درب جلویی، و تخمین نمادین پرسش‌های اثر علی با مثال‌های عملی در آر.

فصل ۱۰: استنتاج علی با داده‌های مشاهده‌ای – ارائه چارچوب پیامدهای بالقوه (مدل علی نیومن-روبین)، مرور مفروضات و روش‌های تخمین، همراه با نمایش روی مجموعه داده واقعی با استفاده از بسته CausalModels در آر.

فصل ۱۱: استنتاج علی با یادگیری ماشین – پوشش چهار الگوریتم فرادانشگر برای تخمین میانگین اثر درمان شرطی و تحلیل اثرات درمان ناهمگن، شامل پیاده‌سازی در پایتون.

فصل ۱۲: استنتاج علی در تحقیقات اقتصادی – تحلیل برنامه National Supported Work و مجموعه داده لالوند برای تخمین اثر علی تجربه کاری انتقالی یارانه‌دار، با پیاده‌سازی در پایتون و استفاده از بسته causallib.

فصل ۱۳: استنتاج علی در همه‌گیرشناسی – اعمال تحلیل بقای علی بر مجموعه داده NHEFS برای تخمین اثر ترک سیگار بر مرگ و میر، با استفاده از بسته‌های lifelines و causallib در پایتون.

فصل ۱۴: استنتاج علی در تحقیقات علوم اجتماعی – بازبینی مطالعه حداقل دستمزد کارد و کروگر در سال ۱۹۹۴، با استفاده از داده‌های اشتغال رستوران‌های فست فود، همراه با پیاده‌سازی در پایتون با استفاده از بسته causallib.

سرفصل‌های کتاب Causal Inference with Bayesian Networks:

Cover
Title page
Copyright and credit page
Dedication
Contributors
Table of Contents
Preface
Chapter 1: A Guided Tour of Book Topics
Chapter 2: Probability and Bayes’ Theorem
Chapter 3: Bayesian Networks
Chapter 4: Structural Causal Models
Chapter 5: Relational Database Models
Chapter 6: Join Tree Clustering
Chapter 7: Probabilistic Inference with Join Tree Clustering
Chapter 8: Probabilistic Inference with Relational Database Models
Chapter 9: Causal Inference with Structural Causal Models
Chapter 10: Causal Inference with Observational Data
Chapter 11: Causal Inference with Machine Learning
Chapter 12: Causal Inference in Economic Research
Chapter 13: Causal Inference in Epidemiology
Chapter 14: Causal Inference in Social Science Research
Chapter 15: Unlock Access to the Code Bundle and the PDF Version
Other Books You May Enjoy
Index

جهت دانلود کتاب Causal Inference with Bayesian Networks می‌توانید پس از پرداخت، دریافت کنید.

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “کتاب Causal Inference with Bayesian Networks”

کتاب Causal Inference with Bayesian Networks

خرید کتاب Causal Inference with Bayesian Networks:

مقدمه‌ای بر کتاب Causal Inference with Bayesian Networks:

سرفصل‌های کتاب Causal Inference with Bayesian Networks:

دیدگاهها

خرید کتاب Causal Inference with Bayesian Networks:

دسته‌یندی کتاب‌ها:

کتاب های پیشنهادی:

دسته بندی پیشنهادی

اعتبار ما: