Ambos libros presentan un marco unificado para la inferencia causal, utilizando modelos gráficos como herramienta principal para razonar sobre relaciones de causa y efecto.
Causality: Models, Reasoning, and Inference
por Judea Pearl · 2000
Ver sugerenciasSinopsis
Pearl presenta un marco unificado para la causalidad basado en modelos gráficos causales (redes bayesianas). Proporciona herramientas formales para el razonamiento causal, la identificación de efectos causales y la inferencia a partir de datos observacionales y experimentales.
Sé el primero en valorar este libro.
Más de Judea Pearl
Ver autor →Otras obras del mismo autor en el catálogo
Libros similares
Libros relacionados según distintos criterios de búsqueda
Probabilistic Graphical Models: Principles and Techniques
Daphne Koller, Nir Friedman
2009·divulgacion
Ofrece un enfoque en modelos gráficos que complementa los métodos de Pearl, ampliando la discusión sobre la representación de la incertidumbre en los datos causales.
Algoritmos para el aprendizaje automático: Introducción a la estadística bayesiana y los modelos gráficos
Kevin P. Murphy
2012·divulgacion
Explora algoritmos de aprendizaje automático desde una perspectiva bayesiana, similar al enfoque de Pearl en la causalidad y el razonamiento con modelos gráficos.
Introduce una teoría fundamental del aprendizaje estadístico, estableciendo principios matemáticos críticos que son esenciales para entender la causalidad y su inferencia.
Propone un análisis de relaciones causales en términos probabilísticos, evaluando la intersección entre causalidad y probabilidad, resonando con el trabajo de Pearl.
Aborda la probabilidad desde una perspectiva lógica, argumentando sobre la inferencia y el razonamiento que son esenciales para la comprensión de la causalidad.