購物比價找書網找車網
FindBook  
 有 7 項符合

因果革命:人工智慧的大未來(硬殼精裝)

的圖書
最新圖書評論 -  目前有 6 則評論,查看更多評論
 因果革命 - 人工智慧的大未來...
轉載自博客來  推薦  2023/01/10
因果革命 - 人工智慧的大未來 許多志向遠大的 ai 科學家,把 AGI(通用人工智慧) 作為生涯發展的終極目標之一,希望能讓機器模擬人類的智慧。不過要達成這個目標,任務極度艱鉅,尚有許多失落的環節需要補足,其中之一就是「因果推論」。 當今各種資料分析方法,不論是統...
因果革命:人工智慧的大未來(硬殼精裝) 因果革命:人工智慧的大未來(硬殼精裝)

作者:朱迪亞・珀爾達納‧麥肯錫 / 譯者:甘錫安 
出版社:行路出版
出版日期:2019-06-26
語言:繁體書   
圖書介紹 - 資料來源:博客來
圖書名稱:因果革命:人工智慧的大未來(硬殼精裝)

內容簡介

大數據為什麼不夠聰明?
比機率更強大的思考工具又是什麼?

  電腦科學界諾貝爾獎「圖靈獎」得主暨貝氏網路研發先驅Judea Pearl總結畢生研究成果,聯手獲獎的統計學家Dana Mackenzie,提出改變人工智慧及科學界的重要工具!《快思慢想》作者暨諾貝爾獎得主康納曼、《大演算》作者多明哥斯、谷歌網路推廣長文特‧瑟夫、微軟研究實驗室主任艾瑞克‧霍爾維茲等人重磅推薦!

  ▎大數據看似厲害,其實有很大的侷限
  近幾年大數據當紅,加上它在許多領域的成功運用,其地位與能力備受追捧。與大數據密切相關的統計學,是法蘭西斯・高爾頓與卡爾・皮爾森解答對於遺傳的疑問未果,而開發出來的學科,這門學科創立後興盛數十載,其名言「相關不是因果」影響科學界經常止步於探究「關聯」而非「因果」,並且長期受資料本位的歷史所影響,認為資料無所不能,但是朱迪亞・珀爾希望藉此書告訴讀者,資料本身一點也不智慧。

  ▎要發展出「強AI」,機率思考仍遠遠不夠
  一九八○年代初,朱迪亞・珀爾認為不確定性是AI所欠缺的最重要的能力,於是運用機率開發出強大的推理工具——貝氏網路,因而獲得有電腦科學界諾貝爾獎之稱的「圖靈獎」。貝氏網路是首先讓電腦以灰階方式思考的工具,至今仍極受人工智慧界倚重,然而到了一九八○年代末,珀爾認為貝氏網路仍沒有填補人工智慧和人類智慧的差距,於是他轉而研究如何教AI學會「因果推論」,本書便是整理了歷代科學家推展因果革命的努力與成果。

  ▎從「求得相關性」的舊階段,邁入「釐清因果關係」的新時代
  本書最初幾章是有趣的科學史,探討科學家追求因果解釋的過程如何受挫,以致發展出統計學,並讓統計學方法長期引領學界研究。接著書中有大約一半篇幅,作者以實例示範因果語言(圖示模型)如何解決傳統統計學認為無解的難題,逐一揭示「因果階梯」三大分層的能力(越高的層級,認知挑戰越高,越難理出因果關係),並讓讀者了解因果革命路上諸人的努力與進展,以及這些進展的重要性。本書末尾回頭說明因果革命相對於人工智慧各重要發展面向(比如大數據、深度學習、資料探勘、機器學習等),有何勝出之處、能對它們起什麼正面影響,以及最重要的——「因果革命」將會如何改變人工智慧。

  ▎「因果革命」不只影響人工智慧,還影響各研究領域
  現今機器學習運作時仰賴的是「相關性」,而不是「因果」,如果能成功將因果思考導入電腦,將使電腦變成真正的科學家,使它們成為我們的得力伙伴,提供我們更合理的洞見。由於因果思考可以呈現罪責,電腦能因而具備道德感——「具備道德感的強AI」是因果革命在人工智慧領域的終極追求,作者形容這「是人工智慧給人類的第一個、也是最好的禮物」。
  因果性研究還釐清了我們多年來對許多知識本質的不解,改變我們對於眾多問題的認識,這些問題牽涉的層面無所不包,舉凡涉及解讀資料以及根據解釋而採取的作法(像是致病因素、醫療資源分配、公共政策擬定等),都能受益。集結眾多領域學人之力才有如今成果的因果革命,亦將回頭影響整個科學界,珀爾形容它「將使科學的體質更加健全,是人工智慧給人類的第二個禮物」。在美國,因果科學已經開始被大學列入課程……

  ▎我們強烈建議這些人士閱讀這本書:
  (1)資料科學家與大數據研究者,以及對大數據深感興趣的人
  (2)統計學家、數學家,電腦科學相關從業人員與學習者
  (3)對經濟趨勢與科研發展有興趣的一般大眾
  (4)希望培養科學素養,了解最新科學方法的學子

  ▎各章內容簡介請參閱〈目錄〉的引文。

各界盛讚

  ◎谷歌網路推廣長文特‧瑟夫:
  珀爾近三十年來的學術成就,為人工智慧發展提供堅實的理論基礎……同時把「思考機器」提升到另一個境界。

  ◎《大演算》作者佩德羅‧多明哥斯:
  因果如果不是相關,那又是什麼?拜朱迪亞‧珀爾的劃時代研究之賜,現在我們已能精確回答這個問題。想理解世界如何運行,這本引人入勝且讀來愉快的書是理想的起點。

  ◎微軟研究實驗室科技研究員及主任艾瑞克‧霍爾維茲:
  朱迪亞‧珀爾是人工智慧領域、甚至整個電腦科學界革命的核心人物。

  ◎諾貝爾經濟學獎得主及《快思慢想》作者丹尼爾‧康納曼 :
  各位是否曾疑惑「相關」和「因果」究竟是什麼關係?這本精彩著作深入淺出地說明了答案。

  ◎《紐約時報》喬納山‧尼伊:解說十分詳盡……本書不僅詳盡介紹概念的發展史,也提供概念工具,讓讀者理解大數據的優勢與不足之處。

  ◎《自然》雜誌:「相關不是因果」這句科學俗語已在社會上造成影響……朱迪亞‧珀爾提出嶄新的數學解決方案……現在已在生物、醫學、社會科學和人工智慧領域開花結果。

  ◎《猶太日報》:深入淺出……珀爾是有遠見的因果革命領袖,這本書則是他最大的成就。

讀者好評

  ◎對電腦科學、統計學或人工智慧當今發展有興趣的人都應該讀讀。這本書如同康納曼的《快思慢想》,是作者畢生科學研究的總結,不僅對同領域科學家而言價值非凡,也是全人類的瑰寶。(讀者阿蘭‧約瑟夫‧坎恩)

  ◎朱迪亞‧珀爾的貝氏網路和因果圖以十分優雅的方式結合統計學、流行病學、決策和電腦科學等領域。他的研究成果賦予並擴大了大數據的潛力。這本書是市面上第一本為一般大眾介紹這主題的書籍,其影響將無以估計。(讀者湯瑪斯 J. 阿拉岡,流行病學家)

  ◎知名商學研究所都應該用這本書當成教材。我送了一本給我念大學時的院長。為了現在和未來的學生著想,我希望它能成為一門課。(讀者喬治‧莫札奇斯)
 

作者介紹

作者簡介

朱迪亞・珀爾Judea Pearl


  因為研發貝氏網路,而獲得有「電腦科學界諾貝爾獎」之稱的圖靈獎,著有三本極具影響力的科普書籍。珀爾是美國國家科學院院士,也是首先進入IEEE智慧系統名人堂的十名科學家之一,獲得的獎項與榮譽博士學位多不勝數,包括盧梅哈特獎(認知科學學會)、富蘭克林獎章(富蘭克林研究所)以及拉克托斯獎(倫敦經濟學院)。他目前擔任加州大學洛杉磯分校電腦科學教授,同時是丹尼爾‧珀爾基金會創辦人及執行長,目前住在洛杉磯。

達納‧麥肯錫Dana Mackenzie

  數學博士,現為科普作家,經常為《科學》、《新科學家》、《科學美國人》、《史密森尼》、《鸚鵡螺》和《發現》等雜誌撰稿。他寫的書《大碰撞:月球是怎麼形成的?》(The Big Splat, or How Our Moon Came to Be)曾經獲選為Audible.com網站2010年最佳有聲書。麥肯錫曾獲2012年傳播獎(美國數學聯合政策委員會)與2015年查文尼特數學解說獎(美國數學學會),他現在住在加州聖克魯茲。

譯者簡介

甘錫安


  學業結束後由科學界踏入「譯界」,現為專職譯者。曾擔任Discovery頻道與資訊雜誌編譯,現仍定期為《科學人》及《BBC知識》等雜誌翻譯。書籍譯作包括《決斷的演算:預測、分析與好決策的11堂邏輯課》、《勝算:賭的科學與決策智慧》、《愛因斯坦1905》、《氣候創造歷史》、《現代主義烹調》等。目前住在有山有海有美食的台灣頭基隆,熱愛吸收各類知識,正努力朝「全方位譯人」的目標邁進。
 
 

目錄

▎自序
這本書的目標有三個:一是以非數學語言讓讀者理解因果革命的詳細內涵,以及它將如何影響我們的生活和未來。二是為讀者介紹科學家遭遇及挑戰關鍵因果問題時,英勇解決的歷程。最後,則是把因果革命帶回人工智慧的最初本源,介紹如何讓機器人學習以我們的母語(即因果語言)溝通。
 
▎前言:思想勝過資料
法蘭西斯・高爾頓與卡爾・皮爾森運用跨世代資料解答他們對於遺傳的疑問,可惜沒有成功,於是他們開發出「統計」這門爾後興盛數十載的學科。從事研究的人都聽過「相關不是因果」這句統計學名言,該觀念影響學界長期探究「關聯」而不問「因果」。在資料本位的歷史影響下,今日我們甚至認為大數據可解答所有問題,但是朱迪亞・珀爾希望藉此書告訴讀者,資料本身一點也不智慧。1980年代末,研究人工智慧的珀爾發現,「機器無法理解因果關係」可能是它們無法具備人類智慧的關鍵原因,於是他轉而投身因果科學陣營,多年後他藉由這本書,總結了各路科學家推動因果革命的成果。
 
▎第一章 因果階梯
因果的三個層級/迷你圖靈測驗/機率與因果
珀爾研究機器學習時了解到,因果學習者至少必須掌握三個層級的認知能力,分別是:(一)觀看與觀察,以探知環境中的規律;(二)實行,亦即預測刻意改變環境的效果,並選擇適當改變以獲得想要的結果;以及(三)想像——因果階梯的三個層級「觀察」、「介入」和「反事實」便是由此而來,數學能證明這三個層級有根本上的不同,每個層級都具備前一層級缺少的能力。本章將介紹以因果圖進行推理的基礎概念、主要的建模工具,讓讀者慢慢見識因果推論模型詮釋資料、解答疑問的強大能力。
 
▎第二章 從海盜到天竺鼠:因果推論的創生
法蘭西斯‧高爾頓捨「因果」而擁抱「相關」/卡爾‧皮爾森把「因果」掃出統計學/萊特、天竺鼠和路徑圖/E PUR SI MUOVE(但地球依然在轉動)/貝氏連結將主觀機率帶進統計學界
十九世紀末,法蘭西斯・高爾頓想將《物種原始》的理論架構數學化,他花了八年嘗試解答族群遺傳特質維持恆定的原因,但是始終無解,最後放棄研究,轉而注意統計「相關」。高爾頓的門徒卡爾・皮爾森後來提出「相關係數」,直到現在,所有統計學家想知道資料組中兩個變項的關聯程度時,總是最先計算這個數字。第二章講述統計學如何忽視因果性,並且對各種資料導向的科學造成深遠影響。此外還將介紹對本書而言十分重要的遺傳學家西瓦爾‧萊特的故事;萊特於1920年代首先繪製因果圖,多年來一直是少數認真看待因果性的科學家。
 
▎第三章從證據到原因:當貝斯遇見福爾摩斯
電腦偵探波拿巴(Bonaparte)/貝斯牧師與逆機率問題/從貝氏法則到貝氏網路/貝氏網路:原因透露了哪些關於資料的線索?/我的行李在哪裡?從亞琛到尚吉巴島/真實世界中的貝氏網路/從貝氏網路到因果圖
1980年代初,珀爾認為不確定性是AI所欠缺的最重要的能力,於是運用機率,開發出處理不確定性推理的強大工具——貝氏網路,這是首先讓電腦以「灰階」方式思考的工具,至今仍被視為人工智慧頂尖典範。然而到了1980年代末,珀爾開始覺得自己錯了,他認為貝氏網路仍沒有填補人工智慧和人類智慧的差距。在這一章,他談了自己從貝氏網路忠實信徒變節,轉入因果性陣營的心路歷程。儘管如此,貝氏網路依然是今日人工智慧界極為倚重的工具,而且具備因果圖的許多數學基礎,因此這章以因果性簡略介紹貝氏法則和貝氏推理方法,並為讀者舉出幾個在實際生活中運用貝氏網路的範例。
 
▎第四章 干擾與去干擾:或說剷除潛在變項
干擾導致強烈恐懼/大自然的巧妙質問:隨機對照試驗為何有效用?/干擾的新典範/do運算子和後門準則
隨機對照試驗(RCT)是統計學對因果推論的重大貢獻,它的主要目標,是把要探討的變項與可能影響它們的其他變項分開。如何去除這些潛在變項造成的失真或「干擾」,是已經存在一世紀的難題,但科學家直到最近才體認到,解決這問題需要的不是統計學方法,而是因果方法。這章要從因果圖的觀點說明,RCT為何能協助估計兩變項之間的因果效應,而且不受干擾偏差影響,從中我們會了解RCT其實源自更基本的原理,其他方法未必都要奉它為圭臬。這一章還將說明因果圖如何讓我們把焦點從「干擾因子」轉移到「去干擾因子」,並且帶領讀者以出奇簡單的方式解決一般干擾問題。
 
▎第五章 煙霧瀰漫的爭議:除去迷霧
菸草:人為流行病/衛生總署委員會和希爾準則/吸菸對新生兒的影響/激烈爭議:科學與文化
十八世紀詹姆斯.林德發現柑橘類水果能預防壞血病,十九世紀約翰.史諾發現遭排泄物汙染的水會導致霍亂,這些偵察工作很幸運的一點是:原因與結果之間是一對一關係。二十世紀時「吸菸是否會致癌」爭議挑戰了單一因果關係概念,而且由於無法隨機指定某些人冒著健康風險吸菸數十年以進行對照,統計學家不只對答案難有共識,連如何理解問題都有不同看法。後來美國衛生總署委員會採用一連串非正式指導方針「希爾準則」,終於得出「吸菸會導致癌症」這結論,但這花了近十五年時間。這爭議讓許多人看清因果性的重要——如果科學家有適合的語言或方法來解答因果問題,得出結論將不再曠日廢時。
 
▎第六章破解悖論!
令人費解的蒙提霍爾問題/更多衝突偏差:柏克森悖論/辛普森悖論/以圖畫說明辛普森悖論
這章要讓讀者輕鬆一點,做一些有趣的動腦遊戲,談談蒙提霍爾悖論、辛普森悖論與柏克森悖論等知名的古典矛盾問題。其實這些悖論問題有嚴肅的一面——它們幾乎都與因果直覺抵觸,因此能讓我們深入分析這類直覺。悖論和視錯覺一樣,能夠揭露大腦的運作方式、大腦愛走的捷徑,以及大腦覺得矛盾的事物。因果悖論凸顯出與機率和統計邏輯衝突的直覺式因果推理型態,看看統計學家對它們有多麼頭痛,就能知道不用因果性眼鏡看世界往往容易出現誤判。這些問題提醒著科學家,人類直覺是以因果為基礎,而不是統計和邏輯。一起來看看這些經典悖論問題的新解吧!
 
▎第七章 超越調整:征服介入山
最簡單的路線:後門調整公式/前門準則/Do計算法——精神高於物質/科學的織錦,或是do管弦樂團的隱形樂手/史諾博士的詭異案例/好膽固醇和壞膽固醇
第七章到第九章將帶領讀者一步步登上因果階梯。本章要登上階梯的第二層——介入層,其重點是預測以往未曾嘗試的行動和策略可能產生什麼效果。除了說明可產出「是或否」答案的因果推論發動機的內在結構,還要教讀者尋找因果圖中的特定型態,像是後門調整、前門調整及工具變項等,它們在因果推論中扮演極吃重的角色。作者將示範這些工具如何解答以往困住科學家的難題,例如以「前門準則」釐清因果圖尚未誕生時的「吸菸致癌爭議」,用約翰.史諾的霍亂成因調查示範因果圖如何讓工具變項發揮作用。作者也將介紹他的學生在因果革命中扮演的角色。
 
▎第八章 反事實:發掘可能成真的世界
從修昔底德和亞伯拉罕,到休謨和路易斯/潛在結果、結構方程式,以及反事實的演算法化/了解自己的假設是好習慣/反事實與定律/必要原因、充分原因和氣候變遷/反事實的世界
人類是在五、六百萬年間由猿猴類演化而來,但在近五萬年間發生了一些獨特狀況,從此能更快速地改變自身能力與環境,例如發明許多神奇物品。為什麼?人類突然獲得其他動物沒有的什麼運算能力?對此有許多人提出理論,但其中只有一種與因果關係有關——歷史學家哈拉瑞在《人類大歷史》中推測,人類祖先能設想「不存在的事物」(反事實),讓人得以溝通得更順暢,是其中最重要的關鍵。本章要帶各位登上因果階梯的頂層,探討反事實,照例會有許多因果圖示範釐清常見爭議的實情(例如學經歷對薪水的影響,以及量化氣候變遷的效果等),體會將「反事實」納入因果查詢時,解答事情的面向如何更加豐富多變。
 
▎第九章 中介:找尋機制
壞血病:錯誤的中介變項/自然與養育:芭芭拉‧布克斯的悲劇人生/尋找語言(柏克萊錄取率悖論)/黛西、小貓和間接效應/線性理想世界裡的中介/接納「應該會」/中介案例分析——吸菸基因:中介和交互作用;止血帶:隱形的謬誤
「反事實」目前在科學界中最風行的應用是中介分析,中介(或中介變項)是把處理效應傳遞給結果的變項,中介分析的目的是釐清直接效應和間接效應。這類問題不僅在科學上相當重要,也有實際的影響,書中舉了駭人的一例:詹姆斯.林德船長的壞血病研究是史上極早的對照實驗,其結果在1747年發表。但一個世紀之後,英國遠征隊開始探察極地時,這種完全可以預防的疾病出乎意料地捲土重來,原因就在於當時尚未發現真正的中介變項(維生素C),使得「柑橘類水果可預防壞血病」這理論被棄之如敝屣。本章介紹科學家如何找出表達「中介」的方法,以補傳統統計學的不足,另外也有數例中介案例分析。
 
▎第十章 大數據、人工智慧與大問題

因果模型與大數據/強AI和自由意志
怎樣打造智慧與人類相當且能分辨善惡的機器?——珀爾相信,因果推理是讓機器能以人類語言與我們溝通,談論政治、實驗、解釋、理論、遺憾、責任、自由意志與義務等話題,乃至自己做出道德決策的關鍵,因此發展因果語言與工具之重要性不可言喻。在研發過程中他廣泛接觸各領域人士,一起點燃因果革命的火花,火花從一個學科擴散到另一學科,催生了新典範,他認為這個轉變將使科學的體質更加健全,這是「人工智慧給人類的第二個禮物」。而因果革命在AI界的終極產物——具道德感的強AI,不只會成為我們的好伙伴,還能成為我們師法的對象,教導我們更明晰、因果上更合理的正義感,這則是人工智慧給人類的第一個、也是最好的禮物。
 
▎致謝
 
 

詳細資料

  • ISBN:9789869753456
  • 叢書系列: FOCUS
  • 規格:精裝 / 368頁 / 17.3 x 23.1 x 5.15 cm / 普通級 / 單色印刷 / 初版
  • 出版地:台灣
圖書評論 -   評分:
 因果革命 - 人工智慧的大未來...
轉載自博客來  推薦  2023/01/10
因果革命 - 人工智慧的大未來
 
許多志向遠大的 ai 科學家,把 AGI(通用人工智慧) 作為生涯發展的終極目標之一,希望能讓機器模擬人類的智慧。不過要達成這個目標,任務極度艱鉅,尚有許多失落的環節需要補足,其中之一就是「因果推論」。

當今各種資料分析方法,不論是統計學或機器學習,都只能求得事物的「相關性」,而無法斷定其「因果性」。縱使近年來勢如破竹、綻放光芒、大獲成功的深度學習(神經網路),對於因果問題依然束手無策。

「因果性」為何如此重要?

若知道兩個變數具有「相關性」,我們就能透過其中一個變數的升降,來預測另一個變數的升降。但若能知道「因果性」就更厲害了,我們就能進一步從「因」介入,而達成所希望的「果」。

簡而言之,知道「相關性」只能預測世界,而知道「因果性」卻得以改造世界。

可惜的是,傳統上要得到因果性非常困難,光憑資料分析並無法求得事物的因果性,若要斷定因果性,唯一的方法是進行「隨機對照」實驗(例如醫學上的臨床實驗),但做實驗不僅勞民傷財,而且曠日費時。

百年來就陸續有科學家思考此一問題,希望能夠找到方法,不必做實驗,只透過資料分析,就能解開因果問題。但一直到前幾年,才由圖靈獎得主 Judea Pearl 集其大成,他從貝氏機率出發,發展出貝氏網路,進而發現因果的3層階梯,最後終於發明了因果網路,一舉破解因果之謎, 拿下 ai 研究的重大聖杯。

Judea Pearl 的名言是 “Mind over data”(思想勝過資料),因果推論的原理是由邏輯推理所驅動,而機器學習的方法是由資料所驅動。他認為人類智慧的運作方式更趨近於邏輯推理驅動,而非資料驅動。這也是為何神經網路要看過1萬隻貓後,才能學會辨識出貓,而人類的嬰兒只要看過1隻貓,一輩子都有能力辨識出各種千奇百怪的貓,智慧高下立判。

因果推論是 ai 科學的下一代殺手兵器,Judea Pearl 透過此書把他精巧的軍備全盤托出,毫無保留,奉獻給世人。受到他的啟發,當今世上各種因果推論的應用正在嘗試展開,而 DeepMind、Netflix 等先驅公司也都紛紛投入資源,開始探索這個領域。

我認為,有朝一日,假若有科學家能發明方法,把機器學習與因果推論融合為一,ai 的未來必定一飛沖天、一鳴驚人。
 probabilistic g...
轉載自博客來  尚可  2022/06/15
probabilistic graphical model = 一套結合機率論與圖論的數學理論架構(AI中常用)

其中最重要的一類 probabilistic graphical model,即是用有向非循環圖(DAG)表示的 Bayesian network,被本書作者拿來描述因果結構。

用 Bayesian network 描述因果結構,可以統合各學科探討因果關係的傳統方法,包括心理、社會學中的結構方程模型(SEM)、計量經濟學中的工具變量(IV)、流行病學中的隨機試驗(RCT)、哲學中的反事實語意等。有以上相關學科背景的人,讀這本會比較好懂;雖然本書定位為科普,但其寫作形式恐怕難讓一般大眾產生共鳴。

若能看英文的話,網路上有很好的免費資源,從因果推理的基本精神(個人覺得比這本「科普」書更好懂)到詳細的數學推導(一般大眾可跳過)都有涵蓋:

1. 哈佛流行病學教授 Miguel Hernan 的 edX 課程,以及教科書 Causal Inference: What If 免費下載

2. MIT 出版社的 Elements of Causal Inference 免費下載
 書評:因果革命:人工智慧的大未...
轉載自博客來  尚可  2021/07/25
書評:因果革命:人工智慧的大未來
The Book of Why: The New Science of Cause and Effect

總評價: ★★★✭☆
----------------------------------------------
通用性: ★★★☆☆
實用價值: ★★★✭☆
內容深度: ★★★★★
內容密度: ★★★★✭
敘事易讀性: ★★★☆☆
翻譯與排版: ★★★✭☆

註:星等意義可參照Amazon.com 美國版或日本版的書評狀況。
深度密度等,為對於:從書名與書籍系列推斷之,預想目標讀者程度為相對參照。


【內容】
中心主旨在講:「具有相關」不一定代表「因果關係」。特別是在目前的「人工智慧」「大數據」研究中容易出現的問題。

本書所講的「因果模型」「因果推論發動機(名詞本身不重要)」等詞,源自於作者電腦科學背景。基於電腦程式語言架構、目的、運作流程;其不甚滿意統計數據上,沒有/刻意不表示出「因果關係/自變數與應變數」的判斷(註:原始目的就不同)。其所說的「因果模型」「因果推論發動機」,為一種亦可用因果流程圖作表達、與驗證測試之機制(有輸入/輸出端)。

其推倡之「因果模型」為一種可敘述「因果關係/自變數與應變數」之表達、與驗證方式。本書重點在於其敘述方式之建構與提倡,並清楚區分一些如「主動改變至此狀態」與「具有此種狀態」的區分表達。

目前電腦資料中通常沒有建構因果常識、轉化敘述性資料時也有問題。遠程來說,作者希望可建構出人工智慧瞭解與判別因果關係的能力。否則電腦處理統計後,只會回答「這些要素有多少相關性」的官話:正確而無添加,但也沒什麼用。

自統計資料到因果關係的初步應用,有時會在釐清所有直接因果/機轉路徑前,可合理驗證獨立要素且無不良影響後就施作。此類狀況,小自商品陳列販賣、大至某些藥品(先救人)。

但因果/機轉路徑常不只一種,且不單是 Yes/No而是需量化、有時間差變異、且案例背景不是都一樣,如本書p.35, p.51, p.116例。

此類驗證屬本書第四章RCT( Randomized Controlled Trials)。白話:我們下次再試看看另一種作法,改變這個參數來比較。但實際常卡在難有對照機會,特別是在歷史或社會科學的宏觀領域,時間點或群眾已經改變。

以及,其在本書表述之與RCT類似或代用的「介入(調整)」演算。基於資料/大數據分離出其他因素之影響。唯此作業不適合手工計算,書中沒放太多公式,而重於概念說明與因果圖示。因定義上該演算必是多變數回歸,且還不一定是直線(平面)性。註:作者Judea Pearl之前的重大成就,為確立基於條件機率的「貝氏網路」(電腦)演算法。

本書之第三階最終「反事實(無前例)」階段為「虛擬」反事實推演。目的是推斷事物規則「因果關係」,並假設該規則可適用於無前例的情況。以本書所提倡之方式判別各段因果,「以資料/數據估計因果關係」(但仍受制於假設的健全性)。

此為要讓人工智慧能夠假設、理解、驗證事物規則,並作出基於事物規則的反應或建議,為其所說的「因果革命」(用於人工智慧時)。


【實用價值】
本書如標適用於對「人工智慧」有興趣的人。相關要素包含邏輯與統計。書中講邏輯的部份,不需前置知識,思緒清晰即可。

條件機率與因果關係為本書敘述之主幹。書中統計的說明,會用到如高中條件機率(貝氏定理),與大學統計的型一與型二誤差等。目前因疫情,常聽到的是偽陽性偽陰性問題。專有名詞多但順著看就可不必強記名稱,知道在作什麼就好。如果覺得閱讀負擔大,對已逝歷史及學者生平與研究歷程可以跳過。本書近半篇幅是這類東西。

對讀者的運用價值上,對非涉人工智慧研發或運用者,可對一些狀況的表述、判讀、與邏輯判斷可有些幫助。

廣汎的說是歸因與議題驗證的邏輯思考。如悖論與具未明他因等「表外」要素時,思考要完整、且要對事象有全盤瞭解。解題所需的要素不一定在題目中報表上。要有全盤瞭解,才能分辨出是否有其所述「後門」要素(在背後作怪的東西);以及可能存在的「前門」要素-找出隱藏之中介機制/要素,將之前機轉未明的間接影響,改成較直接的影響,讓它顯現與驗證。


註:雖說他是在強調一個表述方法(與幾個數理規則),可能被認為表述方法不是很重要。但更換表述的效果可能比一般人認知的來得大。

語言可以引導思考、思考會受制於使用的語言(有文化,但也有語言自身的效果與限制)。如英語與中文的思考方式就不同;或是如管理上講的what gets measured, gets managed。如果不能measure表述、甚至沒有去定義一個東西,就不太會去有效管理它。未經定義的東西,很難一直把它保持在有意識的思考中。


【翻譯與排版】
翻譯不是很順。為免蓄意挑選的疑惑,均以列示作者序或本文最開頭 3~5 句為代表。

本書譯:
「將近二十年前,我為自己的《因果論》(Causality)寫序時,提出這樣大膽的評論:『因果性已經出現重大轉變,從壟罩在迷霧中的概念,變成具有明確語意和完整邏輯的數學物件。矛盾和爭議已經解決,不明確的概念已經闡明,長久以來被視為形而上或棘手、必需依靠因果關係的實際問題,現在可以運用基礎數學原理解決。簡單說來,因果性已經數學化了。』」

部份詞語疑自行按字面轉翻且拿捏有疑。如 p.277稱「若非因果關係」。此譯法除不通用,與上下文連結也會造成句意不清之閱讀困難。應指But For Causation「若無、則非(則不發生其果)」因果關係。稱「若非因果關係」會改變句子文意。中文裏沒有專有名詞開頭大寫的處理,現在也沒什麼人在用私名號來標示專有名詞以防混淆了。

而在假定譯者有直譯現象時(不會主動添字或重組說法、但也不會主動略去單字),本書許多敘述有省略而不明說應要敘述詞語的現象(代號未表述、代名詞或應有子句不清晰甚至省略),文章的易讀性並不佳。
 對於工作上需要使用機器學習模型...
轉載自博客來  推薦  2021/07/12
對於工作上需要使用機器學習模型、解讀數據意義的人來說,這本書很有啟發性。前面一、二章把問題意識破題得很清楚:只考慮關聯性而未考慮因果性,將有決策問題。而因果性需要數學模型,才能以演算法的方式處理。概念上這是可以理解的。
第三章講貝氏定理的意義,覺得詮釋得蠻特別的。為了處理工作上的問題,我回頭把這章讀了兩次,終於讀懂貝氏定理的應用方式。
但是後半部的章節講如何實際應用因果圖做因果推論就很難讀懂了,覺得應用面沒辦法只看文字,需要看程式碼,但作者沒有提供額外的資訊。
網路上有找到其他學者接續這本書之後的發展,是一本正在寫成的書,尚未出版,有提供前面幾個章節,他們使用的函式庫是DoWhy(python),他們要處理的問題也很清楚:真實的資料中,往往無法執行隨機控制實驗,那麼應該如何做因果推論。
我覺得這本書只是一個起點,提出一個新的思考框架,看似蠻顛覆性的,像是一種新的思考語言,看起來有點陌生,需要多個文本交互參照著讀,但若讀懂了,對於思考問題是蠻有幫助的。
 這本書從七月到八月中,終於看完...
轉載自博客來  極力推薦  2019/09/04
這本書從七月到八月中,終於看完一遍。先說我的背景,是理工,在學校未學過機率與統計,但是在去年因為學習人工智慧,才稍微摸到皮毛。看過很多人評論這是一本難懂的書,對我而言,卻覺得這本書其實寫得還算淺顯易懂,可能是剛好上過coursera 「概率图模型 專項課程」,第一堂課。對於其中的定義,以及最後幾章的數學公式,有所理解。買這本書的動機,是因為對於「貝氏定理」不理解,真的是買對了,因為就是這位作者利用貝氏定理,在上個世紀做的題目,由他娓娓道來,自然更容易懂了。作者在書裡,我覺得說不清楚的地方,是「置信度傳播」,這也是他發明的做法。這裡需要參考網路上其他人的說明,倒也不是難事。
作者在條件機率上加上 do ,最後消去使得 do 等於 see ,也就是人類可以利用推理,就可以達成他在書上所說第二層,以及第三層反事實,講得頗為精妙。他也說了一個小故事,是由一位物理博士田津寫出來的,當這簡單的數學公式發表,眾人都不敢相信。
順帶一提的是前幾天,Yann Lecun演說反駁的就是這位作者主張現在的神經網路無法完成因果推論。
 我看不懂這本書。 當然,...
轉載自博客來  很差  2019/08/14
我看不懂這本書。

當然,看不懂應該沒有資格評價,然而,本書作者在序言清楚表示目標讀者是一般大眾,我可以保證,一般大眾絕對連皮毛都看不出個所以然。作者的目的 ─「將因果革命介紹給一般大眾」是失敗的。

別被出版社自己編的副標題誤導了,這本書主要不是談人工智慧,這本書談的是「統計」。讀過統計的應該都知道「相關不等於因果」吧,作者認為,統計學長年不談因果推論是一大錯誤,作者大力闡揚具有因果推論的統計學,發明了一套因果推論體系,開發相關工具如「因果圖」、包含因果推論的數學式等,讚賞路徑分析、中介分析、結構分析等早年具有因果推論的嘗試,而近年來相關統計技術的發展,作者便稱之為「因果革命」,並指出這種革命將大大改變未來統計的應用性。個人在研讀研究所時,用的就是結構方程模型,自己也買了一本專書來研讀,遺憾的是,那本書不注重闡釋原理原則 (與國內大多統計教科書類似),讀完還是一知半解,最後我還是跟大多數研究生一樣,放棄對原理的了解,純粹將這技術當作「工具」來使用,只要確定我的資料適用就夠了,其他交給軟體去跑。看到這本書的時候,原以為我可以彌補當年的遺憾,能夠對因果統計技術的原理有更深層的了解,結果我錯了。

作者對於統計學界長年忽視因過推論這件事,非常不能苟同,至今還是有很多學者對於路徑分析、結構方程的因果推論性存疑,作者急欲證明因果數學的效力絕對不亞於「實驗操弄」,便出了本書,想讓一般大眾了解作者的理論,據此改變整個統計學界。可惜的是,作者出了一本一般大眾根本看不懂的書,別說普通人了,就連讀過一般統計學的人也看不懂,我也是念到研究所才知道路徑分析和結構方程這些玩意。作者刻意採用「非數學」的語言,以為這樣就能讓變成通俗讀物,可惜弄巧成拙,有些東西就是必須要用數學來表達,硬要用通俗語言只會弄得更隱晦難解。本書的因果數學,其中最基礎的 do 運算子,從頭到尾都沒說清楚是什麼 (白話當然說不清楚),這使得後續的因果數學完全不知所以然。作者的思維層級早已遠超一般人,已經難以想像一般人的背景知識與自己到底有多大的差距,例如,作者在某段艱深難懂的推論後說明「相信讀者現在一定跟我一樣興奮」,顯現出作者強烈的投射作用,表面上想以白話的方式來呈現,又不經意地把讀者當成統計專才,書中常常提到「執行對照」,我打賭只念過一般統計學的人不會知道這是什麼東西。

個人認為,至少需要統計本科系、碩士級或以上的學術訓練,才能一窺本書奧秘,如果是衝著人工智慧來看的,保證你大失所望,作者只有一章談論人工智慧,講的無非是因果推論才是未來真正 AI 的解方,但作者本人卻已離開人工智慧的領域許多年了。這本書我讀得很痛苦,我大學時念過一般統計學,考研究所念第二遍,上研究所後了解一些進階的統計技術,但對於閱讀本書的門檻來說,我只是半吊子,所以我才說保證一般人連皮毛都看不懂。當然,也不是整本書都看不懂,書中談到各種統計悖論、或是假性相依等現象是挺有趣的,但收穫實在不多,完全不推薦一般大眾來閱讀。
贊助商廣告
 
 
金石堂 - 暢銷排行榜
神樂鉢 (首刷限定版) 03
作者:外薗健
出版社:東立出版社
出版日期:2024-11-04
$ 131 
金石堂 - 暢銷排行榜
月之圓缺與獸相戀(全)
作者:野白ぐり
出版社:青文出版社股份有限公司
出版日期:2024-07-15
$ 126 
金石堂 - 暢銷排行榜
捨得自己+捨得的練習=吳若權金剛經讀寫組合(限量親簽)
作者:吳若權
出版社:遠見天下文化出版股份有限公司
出版日期:2024-11-11
$ 630 
博客來 - 暢銷排行榜
世界上最透明的故事(日本出版界話題作,只有紙本書可以體驗的感動)
作者:杉井光
出版社:皇冠
出版日期:2024-09-30
$ 284 
 
金石堂 - 新書排行榜
NO猥婦NO LIFE!【黑條修正】
作者:chin
出版社:未來數位有限公司
出版日期:2024-10-30
$ 277 
博客來 - 新書排行榜
青春之箱 15 (首刷限定版)
出版日期:2024-11-08
$ 153 
博客來 - 新書排行榜
捨得自己+捨得的練習=吳若權金剛經讀寫組合(限量親簽)
作者:吳若權
出版社:天下文化
出版日期:2024-11-11
$ 630 
Taaze 讀冊生活 - 新書排行榜
在家工作室!從家開始是門好生意:又住又賺,打造第二人生與斜槓的住宅空間
作者:林黛羚
出版社:原點出版
出版日期:2024-10-30
$ 364 
 

©2024 FindBook.com.tw -  購物比價  找書網  找車網  服務條款  隱私權政策