Cause Effect Pairs in Machine Learning / Guyon, Isabelle ; Statnikov, Alexander ; Batu, Berna Bakir  

Público ISBD Ningún comentario para este título. Título : Cause Effect Pairs in Machine Learning Tipo de documento: documento electrónico Autores: Guyon, Isabelle, ; Statnikov, Alexander, ; Batu, Berna Bakir, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XVI, 372 p. 122 ilustraciones, 90 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-21810-2 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Clasificación: 006.3 Resumen: Este libro presenta avances revolucionarios en el campo del aprendizaje de la estructura causal. El problema de distinguir la causa del efecto ("¿La altitud provoca un cambio en la presión atmosférica, o viceversa?") se plantea aquí como un problema de clasificación binaria, que se debe abordar mediante algoritmos de aprendizaje automático. Basándose en los resultados del desafío de pares causa-efecto de ChaLearn, este libro revela que la distribución conjunta de dos variables puede ser examinada por algoritmos de aprendizaje automático para revelar la posible existencia de un "mecanismo causal", en el sentido de que los valores de una variable pueden haberse generado a partir de los valores de la otra. Este libro proporciona material tutorial sobre el estado del arte de los pares causa-efecto y expone al lector a material más avanzado, con una colección de artículos seleccionados. El material complementario incluye videos, diapositivas y código que se pueden encontrar en el sitio web del taller. El descubrimiento de relaciones causales a partir de datos observacionales será cada vez más importante en la ciencia de datos con la creciente cantidad de datos disponibles, como un medio para detectar posibles desencadenantes en epidemiología, ciencias sociales, economía, biología, medicina y otras ciencias. Nota de contenido: 1. The cause-effect problem: motivation, ideas, and popular misconceptions -- 2. Evaluation methods of cause-effect pairs -- 3. Learning Bivariate Functional Causal Models -- 4. Discriminant Learning Machines -- 5. Cause-Effect Pairs in Time Series with a Focus on Econometrics -- 6. Beyond cause-effect pairs -- 7. Results of the Cause-Effect Pair Challenge -- 8. Non-linear Causal Inference using Gaussianity Measures -- 9. From Dependency to Causality: A Machine Learning Approach -- 10. Pattern-based Causal Feature Extraction -- 11. Training Gradient Boosting Machines using Curve-fitting and Information-theoretic Features for Causal Direction Detection -- 12. Conditional distribution variability measures for causality detection -- 13. Feature importance in causal inference for numerical and categorical variables -- 14. Markov Blanket Ranking using Kernel-based Conditional Dependence Measures. Tipo de medio : Computadora Summary : This book presents ground-breaking advances in the domain of causal structure learning. The problem of distinguishing cause from effect ("Does altitude cause a change in atmospheric pressure, or vice versa?") is here cast as a binary classification problem, to be tackled by machine learning algorithms. Based on the results of the ChaLearn Cause-Effect Pairs Challenge, this book reveals that the joint distribution of two variables can be scrutinized by machine learning algorithms to reveal the possible existence of a "causal mechanism", in the sense that the values of one variable may have been generated from the values of the other. This book provides both tutorial material on the state-of-the-art on cause-effect pairs and exposes the reader to more advanced material, with a collection of selected papers. Supplemental material includes videos, slides, and code which can be found on the workshop website. Discovering causal relationships from observational data will become increasingly important in data science with the increasing amount of available data, as a means of detecting potential triggers in epidemiology, social sciences, economy, biology, medicine, and other sciences. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Cause Effect Pairs in Machine Learning [documento electrónico] / Guyon, Isabelle, ; Statnikov, Alexander, ; Batu, Berna Bakir,  . -  1 ed.  . - [s.l.] : Springer, 2019 . - XVI, 372 p. 122 ilustraciones, 90 ilustraciones en color. ISBN : 978-3-030-21810-2 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Clasificación: 006.3 Resumen: Este libro presenta avances revolucionarios en el campo del aprendizaje de la estructura causal. El problema de distinguir la causa del efecto ("¿La altitud provoca un cambio en la presión atmosférica, o viceversa?") se plantea aquí como un problema de clasificación binaria, que se debe abordar mediante algoritmos de aprendizaje automático. Basándose en los resultados del desafío de pares causa-efecto de ChaLearn, este libro revela que la distribución conjunta de dos variables puede ser examinada por algoritmos de aprendizaje automático para revelar la posible existencia de un "mecanismo causal", en el sentido de que los valores de una variable pueden haberse generado a partir de los valores de la otra. Este libro proporciona material tutorial sobre el estado del arte de los pares causa-efecto y expone al lector a material más avanzado, con una colección de artículos seleccionados. El material complementario incluye videos, diapositivas y código que se pueden encontrar en el sitio web del taller. El descubrimiento de relaciones causales a partir de datos observacionales será cada vez más importante en la ciencia de datos con la creciente cantidad de datos disponibles, como un medio para detectar posibles desencadenantes en epidemiología, ciencias sociales, economía, biología, medicina y otras ciencias. Nota de contenido: 1. The cause-effect problem: motivation, ideas, and popular misconceptions -- 2. Evaluation methods of cause-effect pairs -- 3. Learning Bivariate Functional Causal Models -- 4. Discriminant Learning Machines -- 5. Cause-Effect Pairs in Time Series with a Focus on Econometrics -- 6. Beyond cause-effect pairs -- 7. Results of the Cause-Effect Pair Challenge -- 8. Non-linear Causal Inference using Gaussianity Measures -- 9. From Dependency to Causality: A Machine Learning Approach -- 10. Pattern-based Causal Feature Extraction -- 11. Training Gradient Boosting Machines using Curve-fitting and Information-theoretic Features for Causal Direction Detection -- 12. Conditional distribution variability measures for causality detection -- 13. Feature importance in causal inference for numerical and categorical variables -- 14. Markov Blanket Ranking using Kernel-based Conditional Dependence Measures. Tipo de medio : Computadora Summary : This book presents ground-breaking advances in the domain of causal structure learning. The problem of distinguishing cause from effect ("Does altitude cause a change in atmospheric pressure, or vice versa?") is here cast as a binary classification problem, to be tackled by machine learning algorithms. Based on the results of the ChaLearn Cause-Effect Pairs Challenge, this book reveals that the joint distribution of two variables can be scrutinized by machine learning algorithms to reveal the possible existence of a "causal mechanism", in the sense that the values of one variable may have been generated from the values of the other. This book provides both tutorial material on the state-of-the-art on cause-effect pairs and exposes the reader to more advanced material, with a collection of selected papers. Supplemental material includes videos, slides, and code which can be found on the workshop website. Discovering causal relationships from observational data will become increasingly important in data science with the increasing amount of available data, as a means of detecting potential triggers in epidemiology, social sciences, economy, biology, medicine, and other sciences. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 1 / 1) Ver por página : 25 50 100 200