En comparaci贸n con el aprendizaje autom谩tico tradicional y las estad铆sticas, los m茅todos causales presentan desaf铆os 煤nicos. Aprender causalidad puede ser dif铆cil, pero ofrece distintas ventajas que escapan a una mentalidad puramente estad铆stica. Este libro ayuda a liberar todo el potencial de la causalidad.
El libro comienza con las motivaciones b谩sicas del pensamiento causal y una completa introducci贸n a conceptos causales pearlianos, como los modelos causales estructurales, las intervenciones, los contrafactuales, etc. Cada concepto va acompa帽ado de una explicaci贸n te贸rica y una serie de ejercicios pr谩cticos con c贸digo Python. A continuaci贸n, entra de lleno en el mundo de la estimaci贸n del efecto causal, y avanza hacia los m茅todos de aprendizaje autom谩tico modernos.
Paso a paso, descubrir谩s el ecosistema causal de Python y aprovechar谩s la potencia de los algoritmos m谩s avanzados. Adem谩s, explorar谩s la mec谩nica de las huellas que dejan las causas y descubrir谩s las cuatro familias principales de m茅todos de descubrimiento causal. El cap铆tulo final ofrece una amplia visi贸n general del futuro de la IA causal, con un examen de retos y oportunidades y una exhaustiva lista de recursos para seguir aprendiendo cada vez m谩s.
Entre otras cosas, este libro permite:
* Dominar los conceptos fundamentales de la inferencia causal.
* Liberar el potencial del proceso de inferencia causal en cuatro pasos de Python.
* Explorar avanzadas t茅cnicas de modelado uplift o de elevaci贸n.
* Descubrir los secretos del descubrimiento causal moderno con Python.
* Utilizar la inferencia causal para producir impacto social y beneficios para la comunidad.
