iPhoneAlle anzeigen
iPhone 11iPhone 11 ProiPhone 11 Pro MaxiPhone 12iPhone 12 ProiPhone 12 Pro MaxiPhone 12 miniiPhone 13iPhone 13 ProiPhone 13 Pro MaxiPhone 13 miniiPhone 14iPhone 14 PlusiPhone 14 ProiPhone 14 Pro MaxiPhone 15iPhone 15 PlusiPhone 15 ProiPhone 15 Pro MaxiPhone 16iPhone 16 PlusiPhone 16 ProiPhone 16 Pro MaxiPhone 16eiPhone 8iPhone 8 PlusiPhone SE 2020iPhone SE 2022iPhone XiPhone XRiPhone XSiPhone XS Max
Galaxy A-SerieAlle anzeigen
Galaxy A12Galaxy A13Galaxy A13 5GGalaxy A14Galaxy A15Galaxy A16Galaxy A17Galaxy A17 5GGalaxy A20eGalaxy A21Galaxy A22Galaxy A23Galaxy A24Galaxy A25Galaxy A26 5GGalaxy A27 5GGalaxy A32Galaxy A33Galaxy A34Galaxy A35Galaxy A36 5GGalaxy A37Galaxy A40Galaxy A41Galaxy A42Galaxy A50Galaxy A51Galaxy A52Galaxy A53Galaxy A54Galaxy A55Galaxy A56 5GGalaxy A57 5GGalaxy A70Galaxy A71Galaxy A72
Redmi SeriesAlle anzeigen
Redmi 10Redmi 13CRedmi 15 5GRedmi Note 10Redmi Note 10 ProRedmi Note 11Redmi Note 11 ProRedmi Note 11 Pro Plus 5GRedmi Note 11sRedmi Note 12Redmi Note 12 5GRedmi Note 12 ProRedmi Note 12 Pro 5GRedmi Note 12 Pro PlusRedmi Note 13Redmi Note 13 5GRedmi Note 13 ProRedmi Note 13 Pro PlusRedmi Note 14Redmi Note 14 Pro PlusRedmi Note 15Redmi Note 15 5GRedmi Note 15 ProRedmi Note 15 Pro 5GRedmi Note 15 Pro Plus 5GRedmi Note 8 ProRedmi Note 9
- Startseite
Bücher Englische Bücher Wissen & Bildung Naturwissenschaft, Medizin, Informatik, Technik Informatik & EDV Informatik Causal Inference for Machine Learning Engineers
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
21 Tage Widerrufsrecht
Optischer Zustand
Beschreibung
This book provides a comprehensive exploration of causal inference, specifically tailored for machine learning practitioners. It begins by establishing the fundamental distinction between correlation and causation, emphasizing why traditional machine learning models—primarily focused on pattern recognition—often fall short in scenarios that require an understanding of cause and effect. The book… introduces core causal concepts, such as interventions and counterfactuals, and explains how these ideas are formalized through tools like causal graphs (Directed Acyclic Graphs, or DAGs) and the do-operator. Readers will learn to identify common pitfalls in observational data, including confounding, selection bias, and Simpson’s Paradox, and will understand why these challenges necessitate a causal approach. Causal Inference for Machine Learning Engineers: A Practical Guide then moves to practical methods for causal estimation, detailing techniques such as regression adjustment, propensity score methods (including matching, stratification, and inverse probability weighting), and instrumental variables. The book delves into advanced topics such as mediation analysis, causal discovery algorithms (PC and FCI), and transportability, providing a roadmap for applying causal reasoning in diverse real-world applications across healthcare, economics, and the social sciences. A significant portion is dedicated to integrating causal inference with deep learning, introducing architectures such as TARNet, CFRNet, and DragonNet, as well as frameworks like Double Machine Learning, all designed to address the challenges of high-dimensional data and improve causal effect estimation in complex settings. 58,84 €
Broschiert | Neu
oder
zzgl.
Du kannst wie immer einen Kaufalarm setzen, wenn du auf das gebrauchte Buch warten möchtest.
zzgl.
Handgeprüfte Gebrauchtware
Bis zu 50 % günstiger als neu
21 Tage Widerrufsrecht
Technische Daten
Erscheinungsdatum
03.01.2026
Sprache
Englisch
EAN
9783031996795
Herausgeber
Springer International Publishing
Sonderedition
Nein
Autor
Durai Rajamanickam
Seitenanzahl
245
Einbandart
Broschiert
Buch Untertitel
A Practical Guide
Schlagwörter
Causal Inference, Deep Learning, Treatment Effect Estimation, Confounding Variables, Causal Graphs, Do-Calculus, Propensity Scores, Counterfactuals, Instrumental Variables, Mediation Analysis, Causal Discovery, Model Evaluation, Bias Mitigation
Thema-Inhalt
UYQM - Maschinelles Lernen
UYQ - Künstliche Intelligenz
Höhe
235 mm
Breite
15.5 cm
Auf gebrauchten Artikeln oder Originalverpackungen sichtbare Umwelt-, Nachhaltigkeits- oder Zertifizierungsangaben stammen aus der ursprünglichen Herstellerkennzeichnung. Sie stellen keine eigene aktuelle Umwelt- oder Nachhaltigkeitsaussage von rebuy dar. Maßgeblich für das Angebot sind ausschließlich die von rebuy in der Artikelbeschreibung angegebenen Produkteigenschaften.
Transparenz & Sicherheit
Hersteller: Springer, Europaplatz 3, Heidelberg, Deutschland, 69115, ProductSafety@springernature.com, Springer Nature Customer Service Center GmbH
-.-
★★★★★
☆☆☆☆☆ Leider noch keine Bewertungen
Leider noch keine Bewertungen
Sicher bei rebuy kaufen
Schreib die erste Bewertung für dieses Produkt!
Wenn du eine Bewertung für dieses Produkt schreibst, hilfst du allen Kund:innen, die noch überlegen, ob sie das Produkt kaufen wollen. Vielen Dank, dass du mitmachst!
Sicher bei rebuy kaufen