関連サイト
本書の関連ページが用意されています。
内容紹介
広大な因果世界を幅広くカバー！ 因果推論・因果探索のコード例を多数掲載
原著は米国Amazonでカテゴリーベストセラー（2024/6上旬など）
データサイエンティスト、機械学習エンジニアなら知っておきたい因果的概念、グラフによる理解、因果探索の実践などを解説。
パート1では、関連・介入・反事実、構造的因果モデルなど、因果推論を構成する基本概念と、グラフ表現を解説。
パート2では、因果推論プロセスの4ステップのほか、DoWhy／EconMLを使った因果推論の実装などを説明。
パート3では、因果探索の概念、因果分析プロセスでの位置づけ、gCastle等を使った高度な因果探索の実装を取り上げます。
書誌情報
- 著者: Aleksander Molak(著), 株式会社クイープ(訳)
- 発行日: 2024-08-20 (紙書籍版発行日: 2024-08-20)
- 最終更新日: 2024-08-20
- バージョン: 1.0.0
- ページ数: 418ページ(PDF版換算)
- 対応フォーマット: PDF, EPUB
- 出版社: インプレス
対象読者
◎機械学習に関連するエンジニア、データサイエンティスト、機械学習の研究者／学生
著者について
Aleksander Molak
独立系の機械学習研究者兼コンサルタント。フォーチュン100や500などの企業に対して、大規模な機械学習システムの構築と設計を支援。企業と機械学習の実践者のために因果関係を普及させることを使命とし、多数の書籍の執筆や講演を務める。企業チーム向けの機械学習トレーニングのプロバイダーLespire.ioの共同設立者でもある。
株式会社クイープ
コンピュータシステムの開発、ローカライズ、コンサルティングを手がけている。主な訳書に、『AWSインフラサービス活用大全［第2版］ 構築・運用、自動化、データストア、高信頼化』『The Kaggle Workbook 著名コンテストに学ぶ！競技トップレベルの思考と技術［機械学習・深層学習の実例と練習問題］』などがある（いずれもインプレス発行）。
目次
献辞
- 序文
- 著者・レビュー担当者
- 謝辞
はじめに
Part1 速習：因果関係
第1章 因果関係に取り組む理由：機械学習があるのに？
- 1.1 因果関係の略史
- 1.2 なぜ因果関係なのか：赤ちゃんに聞いてみよう！
- 1.3 資金、そして人命を失わない方法
- 1.4 本章のまとめ
- 1.5 参考文献
第2章 ジューディア・パールと因果のはしご
- 2.1 関連からロジックと想像力へ：因果のはしご
- 2.2 関連
- 2.3 介入
- 2.4 反事実
- 2.5 機械学習と因果性との関係はすべて同じか
- 2.6 本章のまとめ
- 2.7 参考文献
第3章 回帰、観測、介入
- 3.1 簡単なものから始めよう：観測データと線形回帰
- 3.2 利用可能なすべての共変量を常にコントロールすべきか
- 3.3 回帰モデルと構造的モデル
- 3.4 本章のまとめ
- 3.5 参考文献
第4章 グラフィカルモデル
- 4.1 グラフ、グラフ、グラフ
- 4.2 グラフィカル因果モデルとは
- 4.3 DAG：因果の不思議の国の有向非巡回グラフ
- 4.4 現実世界の因果グラフのソース
- 4.5 DAGの枠を超える因果関係はあるか
- 4.6 本章のまとめ
- 4.7 参考文献
第5章 チェーン、フォーク、コライダー
- 5.1 グラフ、分布、それらをマッピングする方法
- 5.2 チェーン、フォーク、コライダー（イモラリティ）
- 5.3 チェーン、フォーク、コライダーと回帰
- 5.4 本章のまとめ
- 5.5 参考文献
Part2 因果推論
第6章 ノード、エッジ、統計学的な独立と従属
- 6.1 d分離
- 6.2 エスティマンドが最優先
- 6.3 バックドア基準
- 6.4 フロントドア基準
- 6.5 do-calculus：他の基準は存在する？
- 6.6 本章のまとめ
- 6.7 解答
- 6.8 参考文献
第7章 4ステップの因果推論プロセス
- 7.1 DoWhyとEconML
- 7.2 ステップ1：問題をモデル化する
- 7.3 ステップ2：エスティマンドを見つける
- 7.4 ステップ3：推定量を計算する
- 7.5 ステップ4：モデルを検証する―反駁検査
- 7.6 完全な例
- 7.7 本章のまとめ
- 7.8 参考文献
第8章 因果モデル―仮定と課題
- 8.1 世界は私のものなのか？
- 8.2 正値性
- 8.3 交換可能性
- 8.4 その他の仮定
- 8.5 その名前で呼ばないで：現実の擬似相関
- 8.6 本章のまとめ
- 8.7 参考文献
第9章 因果推論と機械学習―マッチングからメタ学習器まで
- 9.1 基礎I：マッチング
- 9.2 基礎II：傾向スコア
- 9.3 逆確率重み付け（IPW）
- 9.4 S-Learner：孤高の戦士
- 9.5 T-Learner：2つあればもっとできる
- 9.6 X-Learner：さらに一歩進む
- 9.6.3 X-Learnerのもう1つの定式化
- 9.6.4 X-Learnerを実装する
- 9.7 本章のまとめ
- 9.8 参考文献
第10章 因果推論と機械学習高度な推定器、実験、評価など
- 10.1 DR法
- 10.2 機械学習はすごい？それならダブル機械学習はどうか？
- 10.3 因果フォレスト
- 10.4 実験データでの異質的処置効果：アップリフトの探究
- 10.5 反事実的説明
- 10.6 本章のまとめ
- 10.7 参考文献
第11章 因果推論と機械学習―ディープラーニング、NLPなど
- 11.1 さらに深く：CATEのためのディープラーニング
- 11.2 Transformerと因果推論
- 11.3 因果性と時系列：計量経済学者がベイズ派になるとき
- 11.4 本章のまとめ
- 11.5 参考文献
Part3 因果探索
第12章 因果グラフをいただけますか―因果関係の知識源
- 12.1 因果関係の知識源
- 12.2 科学的な知見
- 12.3 個人的な経験と専門知識
- 12.4 因果構造学習
- 12.5 本章のまとめ
- 12.6 参考文献
第13章 因果探索と機械学習―仮定から応用まで
- 13.1 因果探索の仮定
- 13.2 4つ（半）のファミリ
- 13.3 gCastle
- 13.4 制約ベースの因果探索
- 13.5 スコアベースの因果探索
- 13.6 関数ベースの因果探索
- 13.7 勾配ベースの因果探索
- 13.8 専門知識を組み込む
- 13.9 本章のまとめ
- 13.10 参考文献
第14章 因果探索と機械学習―高度なディープラーニングとその先へ
- 14.1 ディープラーニングによる高度な因果探索
- 14.2 隠れ交絡の可能性が排除できない場合の因果探索
- 14.3 番外編：観測値を超えて
- 14.4 因果探索：現実での応用、課題、未解決の問題
- 14.5 本章のまとめ
- 14.6 参考文献
第15章 エピローグ
- 15.1 本書で学んだ内容
- 15.2 因果プロジェクトの能力を最大限に引き出すための5つのステップ
- 15.3 因果関係とビジネス
- 15.4 因果機械学習の未来に向けて
- 15.5 因果関係をさらに学ぶために
- 15.6 また会おう
- 15.7 本章のまとめ
- 15.8 参考文献