链接：https://pan.baidu.com/s/1fSCze1k-yWgAzSNb1akHjQ?pwd=686n 

提取码：686n

编辑推荐

华人学者刘欢（ACM Fellow）联合业界和学界多位因果机器学习专家倾力打造。因果推断和机器学习的理论与实际应用相结合；

系统介绍因果推断的基本知识、基于机器学习的因果推断方法和基于因果推断的机器学习方法及其在一些重要领域的应用。

内容简介

本书是一本理论扎实，同时联系实际应用的图书。全书系统地介绍了因果推断的基本知识、基于机器学习的因果推断方法和基于因果推断的机器学习方法及其在一些重要领域的应用。 全书共分6章。第1章从潜结果框架和结构因果模型出发，介绍因果推断的基本概念和方法。第2章介绍近年统计和机器学习文献中出现的一些重要的基于机器学习的因果推断方法。第3章介绍能够提高机器学习模型的泛化能力的因果表征学习。第4章介绍因果机器学习如何提高机器学习模型的可解释性与公平性。第5章介绍因果机器学习在推荐系统和学习排序中的应用。第6章是对全书的一个总结和对未来的展望。本书对结合因果推断和机器学习的理论与实践进行了介绍。通过阅读本书，读者不仅可以掌握因果机器学习的基础理论，还可对本书中提到的论文代码进行钻研，从而在实践中加深对因果机器学习的理解。

作者简介

郭若城，伦敦字节跳动人工智能实验室机器学习研究员。研究重点为因果推断和可置信的机器学习在推荐系统、搜索排序和图数据中的应用。曾获美国亚利桑那州立大学杰出计算机科学博士生奖项。

程璐，美国伊利诺伊芝加哥分校计算机系助理教授，于2022年获美国亚利桑那州立大学（ASU）计算机科学专业博士学位，师从刘欢教授。研究方向包括社会负责任人工智能，具体为人工智能的公平性、可解释性、隐私保护、可泛化性、对社会的公益性、因果机器学习，以及社会计算。

刘昊，美国加州理工学院在读计算机专业博士生，本科毕业于南京大学匡亚明学院，研究方向为可置信的机器学习、因果机器学习。

刘欢，美国亚利桑那州立大学计算机科学与工程学院教授，ACM Fellow、AAAI Fellow、AAAS Fellow、IEEE Fellow。研究重点是开发人工智能、数据挖掘、机器学习和社会计算的计算方法，并设计高效的算法有效地解决了从基础研究、特征选择、社会媒体挖掘到现实世界应用的问题。

精彩书评

在机器学习算法在各领域取得重大成果的今天，人工智能仍然面临着挑战。如今，大规模的机器学习模型在有海量数据的条件下可以学习到复杂的相关性。但它们仍然很难像人类一样，只用少量的数据就可以学习到数据中隐含的因果关系。

本书首先介绍因果推断的基础知识，然后介绍因果机器学习在域外泛化、可解释性、算法公平性、自然语言处理和推荐搜索纠偏等热门研究和应用领域中具有代表性的模型方法和应用场景，适合数据科学相关专业的高年级本科生、研究生阅读。

——张爱东 美国弗吉尼亚大学教授，ACM/IEEE/AIMBE Fellow

让机器学习模型像人类一样，能够区分因果性和相关性是迈向通用人工智能的一个关键步骤。本书讲解了因果机器学习相关的基础知识、重要的方法和典型的应用，包括自然语言处理、机器学习可解释性、算法公平性、推荐搜索纠偏等。

本书对想要进入因果机器学习领域、数据科学相关专业的本科生、研究生和从业人员很有帮助。

——常毅 吉林大学人工智能学院院长、教授，BCS/IET Fellow，ACM 杰出会员

人工智能和机器学习模型正在各行各业发挥着举足轻重的作用。传统机器学习往往专注于提升某个任务的预测准确能力，从而忽视了模型背后所能够揭示的更深层次的不同变量之间的因果联系，以致得到缺乏解释性的模型，更有可能做出不公平的决策，甚至在新的数据分布上表现不佳。让机器学习模型能够进行因果推断是从提高预测精度到揭示事物变化规律这一重要跃迁的关键能力。

本书深入浅出地介绍了因果机器学习的理论及其在各细分领域的应用，对相关领域的科研人员和工程师了解和研究因果机器学习会有很大帮助。

——洪亮劼 美国领英公司工程总监，博士