Descripción
INFERENCIA CAUSAL Y DESCUBRIMIENTO EN PYTHON
Resumen del libro
Este libro ofrece una guía práctica y completa para dominar la inferencia causal y el descubrimiento de causas utilizando Python. A diferencia del aprendizaje automático tradicional, que se centra en correlaciones, la causalidad permite comprender el "por qué" detrás de los datos. A lo largo de sus páginas, el lector explorará desde los fundamentos teóricos del pensamiento causal hasta la implementación de algoritmos avanzados, combinando explicaciones claras con ejercicios prácticos de código. Es una obra esencial para quienes buscan ir más allá de las predicciones y desean tomar decisiones basadas en relaciones de causa y efecto.
¿De qué trata?
La obra comienza introduciendo las motivaciones del pensamiento causal y los conceptos fundamentales del marco pearliano, como los modelos causales estructurales, las intervenciones y los contrafactuales. Cada concepto teórico se acompaña de ejemplos prácticos en Python. Posteriormente, se adentra en la estimación del efecto causal, integrando métodos modernos de aprendizaje automático. El lector descubrirá el ecosistema causal de Python, aprenderá a identificar las huellas que dejan las causas y explorará las cuatro familias principales de métodos de descubrimiento causal. El capítulo final ofrece una visión del futuro de la IA causal, analizando retos y oportunidades, e incluye una extensa lista de recursos para continuar aprendiendo.
Temas principales
- Fundamentos del pensamiento causal y modelos causales estructurales (SCM).
- Intervenciones, contrafactuales y gráficos causales.
- Estimación del efecto causal mediante métodos estadísticos y de machine learning.
- Descubrimiento causal: identificación de relaciones causales a partir de datos observacionales.
- Aplicaciones prácticas de la inferencia causal en Python, incluyendo técnicas de modelado uplift.
¿Para quién está recomendado?
Este libro está dirigido a científicos de datos, analistas, ingenieros de machine learning y profesionales de la inteligencia artificial que ya poseen conocimientos básicos de Python y estadística, y que desean profundizar en el análisis causal. También es adecuado para investigadores y estudiantes que quieran comprender cómo ir más allá de las correlaciones para extraer conclusiones causales sólidas a partir de datos.
Qué aporta este libro
- Proporciona una base sólida en los conceptos clave de la inferencia causal, facilitando su aplicación en proyectos reales.
- Ofrece un enfoque práctico con ejercicios de código en Python que permiten implementar los métodos aprendidos de inmediato.
- Explora técnicas avanzadas de descubrimiento causal y modelado uplift, herramientas valiosas para la optimización de decisiones.
- Prepara al lector para los futuros desarrollos en inteligencia artificial causal, con una visión de las tendencias y desafíos del campo.
Ficha técnica
- Autor: MOLAK, ALEKSANDER
- Editorial: ANAYA MULTIMEDIA
- Idioma: Español
- Tema: CONCEPTOS DE PROGRAMACION. APRENDIZAJE DE LA PROGR, PROGRAMACION ORIENTADA A OBJETOS (POO), PROGRAMACION DE WEB, INTELIGENCIA ARTIFICIAL, APRENDIZAJE AUTOMATICO
- Colección: TITULOS ESPECIALES
- Encuadernación: Bolsillo
- Fecha de edición: abril de 2024
- Número de páginas: 432
- Peso: 790 g
Valoración editorial
Se trata de una obra rigurosa y bien estructurada que aborda un área de creciente importancia en la ciencia de datos. Su principal valor reside en combinar la teoría causal con una implementación práctica en Python, lo que la convierte en un recurso útil tanto para el aprendizaje como para la consulta profesional. Es especialmente relevante para quienes desean mejorar la solidez de sus análisis y modelos, yendo más allá de las correlaciones para comprender las relaciones de causa y efecto subyacentes.