可解釋的機器學習 - 用因果推斷來學習箇中奧祕

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

　　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和決策支援具有重要的應用。學習因果推斷和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：deepmind.com.tw

名人推薦

　　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