Stan książek
Nasze książki są dokładnie sprawdzone i jasno określamy stan każdej z nich.
Nowa
Książka nowa.
Używany - jak nowa
Niezauważalne lub prawie niezauważalne ślady używania. Książkę ciężko odróżnić od nowej pozycji.
Używany - dobry
Normalne ślady używania wynikające z kartkowania podczas czytania, brak większych uszkodzeń lub zagięć.
Używany - widoczne ślady użytkowania
zagięte rogi, przyniszczona okładka, książka posiada wszystkie strony.
Wnioskowanie i związki przyczynowe w Pythonie
Masz tę lub inne książki?
Sprzedaj je u nas
Odkrywanie związków przyczynowych w uczeniu maszynowym oferuje możliwości, które wykraczają poza tradycyjne metody statystyczne. Współczesne kierunki w programowaniu wskazują na rosnącą rolę przyczynowości w kontekście generatywnej sztucznej inteligencji, co sprawia, że znajomość grafów przyczynowych i umiejętność formułowania zapytań konfrontacyjnych staje się nieodzowna.
Ta książka w przystępny sposób wprowadzi Cię w fundamenty teoretyczne, umożliwiając ich zastosowanie w praktycznych sytuacjach. Odkryjesz, jak myślenie przyczynowe może ułatwić rozwiązywanie problemów oraz zapoznasz się z koncepcjami Pearla, w tym z modelami strukturalnymi, interwencjami i kontrfaktami. Każde pojęcie jest przedstawione szczegółowo i poparte zestawem ćwiczeń praktycznych z użyciem języka programowania Python. Nauczysz się implementować różne modele oraz dowiesz, jak dobierać odpowiednie metody i algorytmy do określonych wyzwań przyczynowych. Przewodnik ten z pewnością zostanie doceniony przez inżynierów uczenia maszynowego i analityków danych.
Wybierz stan zużycia:
WIĘCEJ O SKALI
Odkrywanie związków przyczynowych w uczeniu maszynowym oferuje możliwości, które wykraczają poza tradycyjne metody statystyczne. Współczesne kierunki w programowaniu wskazują na rosnącą rolę przyczynowości w kontekście generatywnej sztucznej inteligencji, co sprawia, że znajomość grafów przyczynowych i umiejętność formułowania zapytań konfrontacyjnych staje się nieodzowna.
Ta książka w przystępny sposób wprowadzi Cię w fundamenty teoretyczne, umożliwiając ich zastosowanie w praktycznych sytuacjach. Odkryjesz, jak myślenie przyczynowe może ułatwić rozwiązywanie problemów oraz zapoznasz się z koncepcjami Pearla, w tym z modelami strukturalnymi, interwencjami i kontrfaktami. Każde pojęcie jest przedstawione szczegółowo i poparte zestawem ćwiczeń praktycznych z użyciem języka programowania Python. Nauczysz się implementować różne modele oraz dowiesz, jak dobierać odpowiednie metody i algorytmy do określonych wyzwań przyczynowych. Przewodnik ten z pewnością zostanie doceniony przez inżynierów uczenia maszynowego i analityków danych.
