【实用书籍】《因果推理导论——从机器学习视角看》，共132页PDF

简介：
本书为读者提供了关于因果推理的基础知识和理论框架，特别强调了其在机器学习中的应用。全书共132页，以清晰的逻辑结构呈现，适合对这一领域感兴趣的初学者和专业人士阅读。 《因果推理导论-机器学习角度》这本书有132页的PDF文档，并且有几个主要的主题贯穿全书。这些主题主要是关于两个不同类别的比较。 当你阅读的时候，很重要的一点是你要明白书中哪些部分适合哪一类，不适合哪一类。在统计与因果方面，即使你拥有无限的数据量，有时也无法计算一些因果关系的数量（即因果量）。相比之下，很多统计学研究的是如何在有限的样本中解决不确定性问题；而在数据无限的情况下，则不存在这种不确定性了。然而，“关联”这个概念属于统计范畴，并不等同于“因果”。因此，在进行因果推理时，即使开始使用无限的数据之后仍然有许多工作要做。 我们在这一章已经做了这样的区分，并将在整本书中继续做同样的区分。此外书中还强调了一个重要区别：识别与评估。在因果推断领域里，“识别”是特有的问题之一；即便拥有无限量的数据也无法解决这个问题。“估计”，则是传统统计学和机器学习所共有的内容，而我们在书中的大部分章节（如第2章、4章及6章）中主要讨论的是如何“识别”因果效应，在第7章则会转向如何进行这种效应的“评估”。例外情况是第2.5节以及第4.6.2节，其中我们会提供完整的例子来展示整个估计过程的样子。 另外，书中还提到介入与观察的区别。如果能够实施干预或实验，则识别因果效果相对容易；因为我们可以直接采取想要衡量其影响的行为，并简单地测量行动后的结果变化。然而，在观测数据中进行这一操作则更加复杂，因为其中通常会引入混杂变量的影响因素。“假设”也是本书的一个重要焦点：书中将会详细讨论我们如何通过不同的假设来得出特定的结果。 为了帮助读者注意每个假设的独特性，每一种假设都会有一个专门的框标示。清晰地阐述这些假设有助于他人更容易批评给定的因果分析或模型，并希望这将促进对因果关系更加明确和深入的理解。