Causal Inference and Discovery in Python
Aleksander Molak
- Editorial
- Packt
- Año
- 2023
- Páginas
- ~791
- Nivel
- Intermedio
De qué trata
Tratado técnico exhaustivo sobre inferencia y descubrimiento causal escrito por Aleksander Molak y publicado por Packt en 2023. Explora cómo inferir relaciones causales a partir de datos observacionales empleando Python.
Cubre modelos causales estructurales (SCM), grafos acíclicos dirigidos (DAGs), el cálculo do (do-calculus) de Judea Pearl, algoritmos de descubrimiento causal (PC, GES, LiNGAM), y librerías modernas como DoWhy, EconML y CausalNex.
Aleksander Molak aporta una rigurosa fundamentación matemática explicada con claridad y respaldada por experimentos computacionales reproducibles. Imprescindible para científicos de datos que buscan superar las limitaciones del aprendizaje automático correlacional.
- Inferencia Causal
- DAGs
- DoWhy
- EconML
- Descubrimiento Causal
- Judea Pearl
- Packt
¿Cómo enseña?
Teoría + práctica
- ✓ Incluye ejercicios
- ✓ Incluye proyectos
Proyectos
Pipeline de Descubrimiento y Validación Causal en Datos Biomédicos
Construcción de un modelo causal con DoWhy y CausalNex para aislar efectos de tratamiento y refutar hipótesis con pruebas de sensibilidad.
