Causal Inference and Discovery in Python – Machine Learning and Pearlian Perspective

Эта книга представляет собой практическое руководство по причинно-следственному анализу (causal inference) и обнаружению причинных связей (causal discovery) с использованием Python и современных методов машинного обучения. Автор, Александр Молак, предлагает читателям погрузиться в мир причинности с перспективы Джуды Перла (Pearlian perspective) — одного из основоположников теории причинно-следственных связей в искусственном интеллекте.

Книга охватывает как фундаментальные концепции причинности, так и их практическое применение с помощью популярных библиотек Python, включая DoWhy, EconML и PyTorch. Читатели научатся строить причинные графы, формулировать контрфактуальные запросы и применять методы причинного машинного обучения для решения реальных задач.

Особое внимание уделяется интеграции причинного анализа с современными подходами машинного обучения, включая работу с большими языковыми моделями (LLMs). Книга содержит рекомендации по выбору алгоритмов и подходов для различных сценариев причинного анализа, что делает её ценным ресурсом для практиков.

Издание предназначено для инженеров машинного обучения, data scientists и исследователей, которые хотят расширить свой инструментарий методами причинного машинного обучения. Книга сочетает теоретическую глубину с практической направленностью, предлагая код и примеры для немедленного применения.