构建能够可靠进行因果推理的 AI 模型
如果你采取不同的做法，结果会如何？
因果 AI（Causal AI）
能为你提供基于因果关系（而非单纯相关性）进行预测与控制的洞察力，使你能够做出精准且及时的干预决策。《Causal AI》是一本实用指南，介绍如何构建具备因果推理能力的 AI 模型。
在《Causal AI》中，你将学习如何：
作者
Robert Osazuwa Ness
是微软研究院因果 AI 领域的顶尖研究员，他凭借深厚的专业背景，为本书注入了前沿视角。他采用清晰、
代码优先
的写作方式，讲解了因果机器学习中在论文中常常难以理解的关键细节。书中的内容可以直接、有效地应用于实际工业场景，从构建可解释的因果模型到预测反事实结果。
由
Lindsay Edwards
撰写序言。
购买纸质版图书可免费获得 Manning Publications 提供的 PDF 和 ePub 格式电子书。
技术背景简介
传统的机器学习模型无法回答诸如“
为什么会发生这种情况？
”或“
我该改变哪些因素才能获得预期结果？
”这样的问题。本书结合了高级统计方法、计算技术与全新算法，构建出能够
自动完成因果推理
的机器学习系统。
图书简介
《Causal AI》系统介绍了用于机器学习的因果推理工具、技术与算法。这本独特的著作将
贝叶斯方法
与
概率建模
巧妙结合，并配有丰富的 Python 实践案例。你将学习如何将因果假设融入深度学习架构，包括强化学习与大语言模型；并使用 PyTorch、Pyro 及其他机器学习库来
扩展因果推理的规模
。
本书涵盖内容包括：
读者对象
适合数据科学家与机器学习工程师阅读。示例代码使用 Python。
作者简介
Robert Osazuwa Ness
是微软研究院的人工智能研究员，亦为东北大学的教授。他是开源因果推理项目的贡献者，包括 Python 的
DoWhy
与 R 语言的
bnlearn
。
目录概要
第一部分
1 为什么选择因果 AI
2 概率生成建模入门
第二部分
3 构建因果图模型
4 使用因果约束验证 DAG（有向无环图）
5 将因果性与深度学习相结合
第三部分
6 结构性因果模型
7 干预与因果效应
8 反事实与平行世界
9 通用反事实推理算法
10 可识别性与因果层级
第四部分
11 构建因果推理工作流
12 因果决策与强化学习
13 因果性与大语言模型
专知便捷查看，访问下面网址或
点击最底端“阅读原文”
https://www.zhuanzhi.ai/vip/15cba71452bb3acc319c315d691f2e0c
点击“
阅读原文
”，查看下载本文
