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

Público ISBD Ningún comentario para este registro. 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. Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Índice Dewey: 006.3 Inteligencia artificial 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. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i 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. Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Índice Dewey: 006.3 Inteligencia artificial 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. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 1 / 1) Por página: 25 50 100 200