Graphical Models and Causal Discovery with Python
100 Exercises for Building Logic
-
20% KEDVEZMÉNY?
- A kedvezmény csak az 'Értesítés a kedvenc témákról' hírlevelünk címzettjeinek rendeléseire érvényes.
- Kiadói listaár EUR 64.19
-
25 072 Ft (23 878 Ft + 5% áfa)
Az ár azért becsült, mert a rendelés pillanatában nem lehet pontosan tudni, hogy a beérkezéskor milyen lesz a forint árfolyama az adott termék eredeti devizájához képest. Ha a forint romlana, kissé többet, ha javulna, kissé kevesebbet kell majd fizetnie.
- Kedvezmény(ek) 20% (cc. 5 014 Ft off)
- Kedvezményes ár 20 058 Ft (19 102 Ft + 5% áfa)
- A kedvezmény érvényes eddig: 2026. június 30.
Iratkozzon fel most és részesüljön kedvezőbb árainkból!
Feliratkozom
22 063 Ft
Beszerezhetőség
Még nem jelent meg, de rendelhető. A megjelenéstől számított néhány héten belül megérkezik.
Why don't you give exact delivery time?
A beszerzés időigényét az eddigi tapasztalatokra alapozva adjuk meg. Azért becsült, mert a terméket külföldről hozzuk be, így a kiadó kiszolgálásának pillanatnyi gyorsaságától is függ. A megadottnál gyorsabb és lassabb szállítás is elképzelhető, de mindent megteszünk, hogy Ön a lehető leghamarabb jusson hozzá a termékhez.
A termék adatai:
- Kiadó Springer Nature Singapore
- Megjelenés dátuma 2026. május 30.
- ISBN 9789819553075
- Kötéstípus Puhakötés
- Terjedelem195 oldal
- Méret 235x155 mm
- Nyelv angol
- Illusztrációk XII, 195 p. 383 illus., 140 illus. in color. 700
Kategóriák
Hosszú leírás:
Beginning with a gentle introduction to causal discovery and the foundations of probability and statistics, this textbook is written in a highly pedagogical way. By uniting probability theory, statistical inference, and graph theory, the book offers a systematic pathway from foundational principles to cutting-edge algorithms, including independence tests, the PC algorithm, LiNGAM, information criteria, and Bayesian methods. Far more than a theoretical treatment, this volume emphasizes hands-on learning through Python implementations, carefully designed exercises with solutions, and intuitive graphical illustrations. Readers will gain the ability to see, run, and understand causal discovery methods in practice.
Key features of this book include:
- A clear and self-contained introduction, bridging probability, statistics, and modern causal discovery techniques
- 100 exercises with solutions, supporting self-study and classroom use
- Reproducible Python code, allowing readers to implement and extend the methods themselves
- Intuitive figures and visual explanations that clarify abstract concepts
- Broad coverage of applications within statistics and data science, connecting rigorous theory with modern machine learning and causal inference
Tartalomjegyzék:
"
A Gentle Introduction to Causal Discovery.- Foundations of Probability and Statistics.- Graphical Models.- Testing Independence and Conditional Independence with Kernels.- The PC Algorithm.- LiNGAM.- Information Criteria and Marginal Likelihood.- Score-Based Structure Learning.
" Több
