علیت، احتمال و زمان
دسته: ریاضیعلیت بخش مهمی از رشتهها و جنبههای بیشمار زندگی، از یافتن رابطه میان رژیم غذایی و بیماری تا کشف علت سقوط بازار یک سهام خاص، بهشمار میآید که با وجود قرنها کار در فلسفه و دههها تحقیق محاسباتی، استنباط خودکار و توضیحات؛ همچنان یک مشکل باز، باقی مانده است.
بهطور خاص، زمانبندی و پیچیدگی روابط با اینکه برای پیشبینی، توصیف و مداخله از اهمیت حیاتی برخوردار هستند؛ تا حد زیادی نادیده گرفته شدهاند که با درنظرگرفتن دسترسی روبهرشد مجموعه دادههای مشاهدهای بزرگ ازجمله پروندههای سلامت الکترونیک و شبکههای اجتماعی؛ این امر، یک ضرورت عملی است. کتاب “علیت، احتمال و زمان” یک رویکرد جدید برای استنباط (یافتن روابط یک مجموعه داده) و توضیح (ارزیابی علت وقوع یک اتفاق) و بررسی زمانبندی و پیچیدگی روابط را ارائه میدهد.
بهطور خاص، زمانبندی و پیچیدگی روابط با اینکه برای پیشبینی، توصیف و مداخله از اهمیت حیاتی برخوردار هستند؛ تا حد زیادی نادیده گرفته شدهاند که با درنظرگرفتن دسترسی روبهرشد مجموعه دادههای مشاهدهای بزرگ ازجمله پروندههای سلامت الکترونیک و شبکههای اجتماعی؛ این امر، یک ضرورت عملی است. کتاب “علیت، احتمال و زمان” یک رویکرد جدید برای استنباط (یافتن روابط یک مجموعه داده) و توضیح (ارزیابی علت وقوع یک اتفاق) و بررسی زمانبندی و پیچیدگی روابط را ارائه میدهد.
سال انتشار: 2012 | 265 صفحه | حجم فایل: 1 مگابایت | زبان: انگلیسی
نویسنده
Samantha Kleinberg
ناشر
Cambridge University Press
ISBN10:
1107026482
ISBN13:
9781107026483
قیمت: 16000 تومان
برچسبها: Causality is a key part of many fields and facets of life, from finding the relationship between diet and disease to discovering the reason for a particular stock market crash. Despite centuries of work in philosophy and decades of computational research, automated inference and explanation remains an open problem. In particular, the timing and complexity of relationships has been largely ignored even though this information is critically important for prediction, explanation, and intervention. However, given the growing availability of large observational datasets including those from electronic health records and social networks, it is a practical necessity. This book presents a new approach to inference (finding relationships from a set of data) and explanation (assessing why a particular event occurred), addressing both the timing and complexity of relationships. The practical use of the method developed is illustrated through theoretical and experimental case studies, demonstrating its feasibility and success.