En comparaci?n con el aprendizaje autom?tico tradicional y las estad?sticas, los m?todos causales presentan desaf?os ?nicos. Aprender causalidad puede ser dif?cil, pero ofrece distintas ventajas que escapan a una mentalidad puramente estad?stica. Este libro ayuda a liberar todo el potencial de la causalidad.
El libro comienza con las motivaciones b?sicas del pensamiento causal y una completa introducci?n a conceptos causales pearlianos, como los modelos causales estructurales, las intervenciones, los contrafactuales, etc. Cada concepto va acompa?ado de una explicaci?n te?rica y una serie de ejercicios pr?cticos con c?digo Python. A continuaci?n, entra de lleno en el mundo de la estimaci?n del efecto causal, y avanza hacia los m?todos de aprendizaje autom?tico modernos.
Paso a paso, descubrir?s el ecosistema causal de Python y aprovechar?s la potencia de los algoritmos m?s avanzados. Adem?s, explorar?s la mec?nica de las huellas que dejan las causas y descubrir?s las cuatro familias principales de m?todos de descubrimiento causal. El cap?tulo final ofrece una amplia visi?n general del futuro de la IA causal, con un examen de retos y oportunidades y una exhaustiva lista de recursos para seguir aprendiendo cada vez m?s.
Entre otras cosas, este libro permite:
* Dominar los conceptos fundamentales de la inferencia causal.
* Liberar el potencial del proceso de inferencia causal en cuatro pasos de Python.
* Explorar avanzadas t?cnicas de modelado uplift o de elevaci?n.
* Descubrir los secretos del descubrimiento causal moderno con Python.
* Utilizar la inferencia causal para producir impacto social y beneficios para la comunidad.