可解釋的機器學習 - 用因果推斷來學習箇中奧祕

郭若城,、程璐、劉昊、劉歡 編著

  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-1
  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-2
  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-3
  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-4
  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-5
  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-6
  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-7
  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-8
  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-9
  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-10
  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-11
  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-12
  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-13
  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-14
  • 可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-15
可解釋的機器學習 - 用因果推斷來學習箇中奧祕-preview-1

買這商品的人也買了...

相關主題

商品描述

★☆★☆★ LinkedIn、維吉尼亞大學 專家學者共同推薦好書 ★☆★☆★

 

本書深入淺出地介紹了機器學習的因果理論及其在各細分領域的應用,對相關領域的科學研究人員和工程師瞭解與研究因果機器學習會有很大的幫助。

---美國LinkedIn工程總監 洪亮劼

 

在機器學習於各領域取得重大成果今天,人工智能仍面臨著挑戰。如今,大規模的機器學習模型在海量數據的條件下可以學習到複雜的相關性。但他們仍然很難像人類一樣,只用少量的數據就可以學習到數據中隱含的因果關係。

 

---美國維吉尼亞大學教授 張愛東

 

機器學習是一門研究如何使用計算機從資料中學習的科學。機器學習演算法可以識別因果關係,並從這些關係中學習如何預測未來的結果。這些演算法對於因果推斷決策支援具有重要的應用。學習因果推斷機器學習有助於了解如何使用數據和演算法支援決策和預測結果,並且對於從事相關領域的研究和工作有重要的價值。

 

因果推斷是一種對因果關係進行推論的過程,它旨在找出事件或行為的原因,以及如何導致特定的結果,它同時也是一種邏輯推理,在了解事物之間的因果關係後,進一步確定將如何影響結果。

 

因果推斷在社會科學、經濟學和醫學等領域中非常重要,因為它可以幫助我們了解如何預防或解決問題,並為決策者提供重要的資訊。例如,因果推斷可以用來研究一個社區的健康問題,以找出導致疾病的根本原因,並採取因應措施預防未來疾病發生。在結合了機器學習的靈活性之後,我們可以得出深度學習運作的方式,也可以防止惡意的資料影響機器學習的結果。

 

本書首先介紹因果推斷的基礎知識,然後介紹因果機器學習在域外泛化、可解釋性、公平性、自然語言處理和推薦搜尋校正等熱門研究和應用領域中具有代表性的模型方法和應用場景,適合數據科學領域的學生、研究者或相關從業人員閱讀。

 

【獨家收錄】

因果推斷入門

用機器學習解決因果推斷問題

因果表徵學習與泛化能力

可解釋性、公平性和因果機器學習

特定領域的機器學習

 

本書連結資源請至深智官網下載:https://deepmind.com.tw

作者簡介

郭若城

英國倫敦字節跳動人工智慧實驗室機器學習研究員。研究重點為因果推斷和可置信的機器學習在推薦系統、搜索排序和圖資料中的應用。曾獲美國亞利桑那州立大學傑出電腦科學博士生獎項。

 

程璐

美國伊利諾大學芝加哥分校電腦系助理教授,於2022年獲美國亞利桑那州立大學(ASU)電腦科學專業博士學位,師從劉歡教授。研究方向包括社會負責任人工智慧,具體包括人工智慧的公平性、可解釋性、隱私保護、可泛化性、對社會的公益性、因果機器學習,以及社會計算。

 

劉昊

美國加州理工學院在讀電腦專業博士生,本科畢業於南京大學匡亞明學院,研究方向為可置信的機器學習、因果機器學習

 

劉歡

美國亞利桑那州立大學電腦科學與工程學院教授,ACM FellowAAAI FellowAAAS FellowIEEE Fellow。研究重點是開發人工智慧、資料採擷、機器學習和社會計算的計算方法,並設計高效的演算法有效地解決了從基礎研究、特徵選擇、社會媒體挖掘到現實世界應用的問題。

目錄大綱

1 因果推斷入門

1.1 定義因果關係的兩種基本框架

1.1.1 結構因果模型

1.1.2 潛結果框架

1.2 因果辨識和因果效應估測

1.2.1 工具變數

1.2.2 中斷點回歸設計

1.2.3 前門準則

1.2.4 雙重差分模型

1.2.5 合成控制

1.2.6 因果中介效應分析

1.2.7 部分辨識、ATE 的上下界和敏感度分析

 

2 用機器學習解決因果推斷問題

2.1 基於整合學習的因果推斷

2.2 基於神經網路的因果推斷

2.2.1 反事實回歸網路

2.2.2 因果效應變分自編碼器

2.2.3 因果中介效應分析變分自編碼器

2.2.4 針對線上評論多方面情感的多重因果效應估計

2.2.5 基於多模態代理變數的多方面情感效應估計

2.2.6 在網路資料中解決因果推斷問題

 

3 因果表徵學習與泛化能力

3.1 資料增強

3.1.1 利用眾包技術的反事實資料增強

3.1.2 基於規則的反事實資料增強

3.1.3 基於模型的反事實資料增強

3.2 提高模型泛化能力的歸納偏置

3.2.1 使用不變預測的因果推理

3.2.2 獨立機制原則

3.2.3 因果學習和反因果學習

3.2.4 半同胞回歸

3.2.5 不變風險最小化

3.2.6 不變合理化

 

4 可解釋性、公平性和因果機器學習

4.1 可解釋性

4.1.1 可解釋性的屬性

4.1.2 基於相關性的可解釋性模型

4.1.3 基於因果機器學習的可解釋性模型

4.2 公平性

4.2.1 不公平機器學習的典型實例

4.2.2 機器學習不公平的原因

4.2.3 基於相關關係的公平性定義

4.2.4 因果推斷對公平性研究的重要性

4.2.5 因果公平性定義

4.2.6 基於因果推斷的公平機器學習

4.3 因果推斷在可信和負責任人工智慧的其他應用

 

5 特定領域的機器學習

5.1 推薦系統與因果機器學習

5.1.1 推薦系統簡介

5.1.2 用因果推斷修正推薦系統中的偏差

5.2 基於因果推斷的學習排序

5.2.1 學習排序簡介

5.2.2 用因果推斷修正學習排序中的偏差

 

6 複習與展望

6.1 定義因果關係的兩種基本框架

6.2 展望

 

術語表

參考文獻