Machine Learning for Causal Inference

Эта книга представляет собой современный обзор на стыке двух активно развивающихся областей — машинного обучения и причинного вывода (causal inference). В течение долгого времени эти направления развивались параллельно, но в последние годы наметилась мощная тенденция к их сближению и взаимному обогащению.

В издании подробно рассматривается, как методы машинного обучения (деревья решений, глубокое обучение, состязательные модели, графовые нейронные сети) применяются для решения задач причинного анализа: оценки эффекта вмешательств (treatment effect estimation), контрафактического вывода и обнаружения причинно-следственных связей (causal discovery). Особое внимание уделяется практическим аспектам использования этих методов в реальных приложениях.

Одновременно книга исследует обратное влияние: как причинный подход помогает решать сложные проблемы в самом машинном обучении. Рассматриваются вопросы объяснимости моделей (XAI), обеспечения справедливости (fairness), обобщения на новые домены (domain generalization) и борьбы с смещающими факторами (confounding).

Книга структурирована в четыре части: введение и основы причинного вывода; машинное обучение для оценки причинных эффектов; причинный вывод для создания надежного ИИ; приложения в различных областях (обработка естественного языка, рекомендательные системы, компьютерное зрение, прогнозирование временных рядов). Издание будет полезно исследователям и практикам, работающим в области data science, машинного обучения и анализа данных.