جلد سخت سیاه و سفید
Product details
- Publisher : Chapman and Hall/CRC; 1st edition (March 8, 2022)
- Language : English
- Hardcover : 368 pages
- ISBN-10 : 0367859408
- ISBN-13 : 978-0367859404
کتاب Artificial Intelligence and Causal Inference (Chapman & Hall/CRC Machine Learning & Pattern Recognition)
Artificial Intelligence and Causal Inference address the recent development of relationships between artificial intelligence (AI) and causal inference. Despite significant progress in AI, a great challenge in AI development we are still facing is to understand mechanism underlying intelligence, including reasoning, planning and imagination. Understanding, transfer and generalization are major principles that give rise intelligence. One of a key component for understanding is causal inference. Causal inference includes intervention, domain shift learning, temporal structure and counterfactual thinking as major concepts to understand causation and reasoning. Unfortunately, these essential components of the causality are often overlooked by machine learning, which leads to some failure of the deep learning. AI and causal inference involve (1) using AI techniques as major tools for causal analysis and (2) applying the causal concepts and causal analysis methods to solving AI problems. The purpose of this book is to fill the gap between the AI and modern causal analysis for further facilitating the AI revolution. This book is ideal for graduate students and researchers in AI, data science, causal inference, statistics, genomics, bioinformatics and precision medicine.
Key Features:
- Cover three types of neural networks, formulate deep learning as an optimal control problem and use Pontryagin’s Maximum Principle for network training.
- Deep learning for nonlinear mediation and instrumental variable causal analysis.
- Construction of causal networks is formulated as a continuous optimization problem.
- Transformer and attention are used to encode-decode graphics. RL is used to infer large causal networks.
- Use VAE, GAN, neural differential equations, recurrent neural network (RNN) and RL to estimate counterfactual outcomes.
- AI-based methods for estimation of individualized treatment effect in the presence of network interference.
منابع کتاب کتاب Artificial Intelligence and Causal Inference (Chapman & Hall/CRC Machine Learning & Pattern Recognition)
هوش مصنوعی و استنتاج علی به توسعه اخیر روابط بین هوش مصنوعی (AI) می پردازد.و استنتاج علی علیرغم پیشرفت چشمگیر در هوش مصنوعی، چالش بزرگی که در توسعه هوش مصنوعی با آن روبرو هستیم، درک مکانیزم زیربنایی هوش، از جمله استدلال، برنامه ریزی و تخیل است. درک، انتقال و تعمیم اصول عمده ای هستند که باعث ایجاد هوش می شوند. یکی از مولفه های کلیدی برای درک، استنتاج علی است. استنتاج علی شامل مداخله، یادگیری تغییر دامنه، ساختار زمانی و تفکر خلاف واقع به عنوان مفاهیم اصلی برای درک علیت و استدلال است. متأسفانه، این مؤلفه‌های اساسی علیت اغلب توسط یادگیری ماشین نادیده گرفته می‌شوند، که منجر به شکست یادگیری عمیق می‌شود. هوش مصنوعی و استنتاج علی شامل (1) استفاده از تکنیک های هوش مصنوعی به عنوان ابزار اصلی برای تجزیه و تحلیل علی و (2) استفاده از مفاهیم علی و روش های تحلیل علی برای حل مشکلات هوش مصنوعی است. هدف این کتاب پر کردن شکاف بین هوش مصنوعی و تحلیل علی مدرن برای تسهیل بیشتر انقلاب هوش مصنوعی است. این کتاب برای دانشجویان فارغ التحصیل و محققان در زمینه هوش مصنوعی، علوم داده، استنتاج علی، آمار، ژنومیک، بیوانفورماتیک و پزشکی دقیق ایده آل است.
ویژگی های کلیدی:
- سه نوع شبکه عصبی را پوشش دهید، یادگیری عمیق را به عنوان یک مسئله کنترل بهینه فرموله کنید و از اصل حداکثری پونتریاگین برای آموزش شبکه استفاده کنید.
- یادگیری عمیق برای میانجیگری غیرخطی و تحلیل علی متغیر ابزاری.
- ساخت شبکه های علی به عنوان یک مسئله بهینه سازی پیوسته فرموله شده است.
- از ترانسفورماتور و توجه برای رمزگذاری-رمزگشایی گرافیک استفاده می شود. RL برای استنتاج شبکه های علی بزرگ استفاده می شود.
- از VAE، GAN، معادلات دیفرانسیل عصبی، شبکه عصبی بازگشتی (RNN) و RL برای برآورد نتایج خلاف واقع استفاده کنید.
- روش‌های مبتنی بر هوش مصنوعی برای تخمین اثر درمان فردی در حضور تداخل شبکه.
ارسال نظر درباره کتاب Artificial Intelligence and Causal Inference (Chapman & Hall/CRC Machine Learning & Pattern Recognition)