Inférence causale pratique avec Python
 |
Description
Introduction au livre
Inférence causale pour une prise de décision éclairée et fondée sur les données,
Des décisions stratégiques réussies grâce à une analyse d'impact efficace
Combien d'acheteurs supplémentaires aurons-nous si nous augmentons notre budget marketing en ligne de 1 $ ? Comment identifier les clients qui n'achètent que lorsqu'ils reçoivent un coupon de réduction ? Comment élaborer une stratégie de prix optimale ? L'inférence causale est la méthode la plus efficace pour comprendre comment les facteurs que vous gérez influencent vos indicateurs de performance.
L'inférence causale peut être facilement mise en œuvre avec seulement quelques lignes de code Python.
Cet ouvrage démontre le potentiel inexploité de l'inférence causale dans l'estimation de l'influence et des effets.
Ce livre aborde les méthodes classiques d'inférence causale, telles que les tests A/B, la régression linéaire, les scores de propension, la synthèse de groupes témoins et la double différenciation, à destination des gestionnaires, des scientifiques des données et des analystes de données, ainsi que les approches modernes, telles que l'apprentissage automatique pour l'estimation d'effets hétérogènes, avec des exemples d'application pratiques.
Des décisions stratégiques réussies grâce à une analyse d'impact efficace
Combien d'acheteurs supplémentaires aurons-nous si nous augmentons notre budget marketing en ligne de 1 $ ? Comment identifier les clients qui n'achètent que lorsqu'ils reçoivent un coupon de réduction ? Comment élaborer une stratégie de prix optimale ? L'inférence causale est la méthode la plus efficace pour comprendre comment les facteurs que vous gérez influencent vos indicateurs de performance.
L'inférence causale peut être facilement mise en œuvre avec seulement quelques lignes de code Python.
Cet ouvrage démontre le potentiel inexploité de l'inférence causale dans l'estimation de l'influence et des effets.
Ce livre aborde les méthodes classiques d'inférence causale, telles que les tests A/B, la régression linéaire, les scores de propension, la synthèse de groupes témoins et la double différenciation, à destination des gestionnaires, des scientifiques des données et des analystes de données, ainsi que les approches modernes, telles que l'apprentissage automatique pour l'estimation d'effets hétérogènes, avec des exemples d'application pratiques.
- Vous pouvez consulter un aperçu du contenu du livre.
Aperçu
indice
[PARTIE 1 : Principes de base de l'inférence causale]
Chapitre 1 : Introduction à l'inférence causale
1.1 Le concept d'inférence causale
1.2 Objectif de l'inférence causale
1.3 Apprentissage automatique et inférence causale
1.4 Corrélation et causalité
biais de _1,5
_1.6 Identification des effets causaux
_1.7 Résumé
Chapitre 2 : Expériences randomisées et révision des statistiques de base
2.1 Garantir l'indépendance par une répartition aléatoire
2.2 Cas de test A/B
_2.3 Expérience idéale
_2.4 La formule la plus dangereuse
_2,5 Erreur type de l'estimation
2.6 Intervalle de confiance
_2.7 Tests d'hypothèses
_2,8 valeur p
_2.9 Le pouvoir noir
2.10 Calcul de la taille de l'échantillon
_2.11 Résumé
Chapitre 3 Modèle causal graphique
3.1 Réflexion sur la causalité
3.2 Formation intensive sur les modèles graphiques
3.3 Réinterprétation de l'identification
3.4 Hypothèse d'indépendance conditionnelle et formule de correction
3.5 Hypothèse positive
3.6 Exemples d'identification concrète
3.7 Biais de confusion
_3.8 Biais de sélection
_3.9 Résumé
[PARTIE 2 CORRECTION DES BIAIS]
Chapitre 4 : Régression linéaire utile
4.1 La nécessité d'une régression linéaire
4.2 Théorie de l'analyse de régression
_4.3 Théorème de Frisch-Warr-Lobel et orthogonalisation
4.4 Analyse de régression en tant que modèle de résultats
4.5 Positif et extrapolation
4.6 Non-linéarité en régression linéaire
4.7 Analyse de régression à l'aide de variables indicatrices
4.8 Biais lié à la variable omise
_4.9 Variables de contrôle neutres
_4.10 Résumé
Chapitre 5 Score de propension
5.1 Efficacité de la formation des gestionnaires
5.2 Analyse de régression et étalonnage
_5.3 Score de propension
_5.4 Conception vs.
Identification basée sur un modèle
_5.5 Estimation doublement robuste
_5.6 Score de propension généralisé dans le traitement continu
_5.7 Résumé
[PARTIE 3 : Effets hétérogènes et personnalisation]
Chapitre 6 : Effets hétérogènes du traitement
_6.1 De ATE à CATE
6.2 Pourquoi les prédictions ne sont pas la solution
6.3 Obtention du CATE par analyse de régression
_6.4 Évaluation des prédictions CATE
6.5 Effets selon l'atmosphère modèle
_6.6 Courbe des effets cumulatifs
_6.7 Courbe de gain cumulatif
_6.8 Conversion cible
6.9 Quand le modèle de prédiction est adapté au tri des effets
6.10 CATE pour la prise de décision
_6.11 Résumé
Chapitre 7 Meta Runner
_7.1 Traitement discret Meta Runner
_7.2 Méta Runner à élimination continue
7.3 Résumé
[PARTIE 4 Données du panneau]
Chapitre 8 Méthode de la double différence
8.1 Données de panel
8.2 Méthode de la double différence standard
_8.3 Hypothèses d'identification
8.4 Variation de l'effet au fil du temps
8.5 Méthode de la double différence et covariance
8.6 Méthode de double différence robuste
8.7 Introduction du décalage horaire à l'église
_8.8 Résumé
Chapitre 9 Synthèse du groupe témoin
_9.1 Ensemble de données sur le marketing en ligne
_9.2 Représentation matricielle
9.3 Synthèse du groupe témoin et analyse de régression horizontale
_9.4 Méthode de synthèse du groupe témoin standard
_9.5 Synthèse du groupe témoin et covariables
9.6 Synthèse du groupe témoin et élimination des biais
_9.7 Inférence
_9.8 Méthode de double différence synthétique
_9.9 Résumé
[PARTIE 5 Conception expérimentale alternative]
Chapitre 10 : Expériences locales et en boucle
_10.1 Expérience régionale
10.2 Conception de la synthèse du groupe témoin
_10.3 Expérience de retournement
_10.4 Résumé
Chapitre 11 Non-réponse et variables instrumentales
_11.1 Non-réponse
_11.2 Élargir les perspectives de résultats
_11.3 Hypothèses d'identification des variables instrumentales
_11.4 Étape 1
_11.5 Étape 2
11.6 Méthode des moindres carrés en deux étapes
_11,7 Erreur standard
_11.8 Ajout de variables de contrôle et de variables instrumentales
_11.9 Conception discontinue
Résumé du 11.10
Chapitre 12 : Que faut-il apprendre de plus ?
12.1 Découverte des relations causales
12.2 Prise de décision séquentielle
12.3 Apprentissage par renforcement causal
12.4 Prédiction causale
_12.5 Adaptation du domaine
_12.6 Résumé
Épilogue : Appliquer l'inférence causale à la pratique
Recherche
Chapitre 1 : Introduction à l'inférence causale
1.1 Le concept d'inférence causale
1.2 Objectif de l'inférence causale
1.3 Apprentissage automatique et inférence causale
1.4 Corrélation et causalité
biais de _1,5
_1.6 Identification des effets causaux
_1.7 Résumé
Chapitre 2 : Expériences randomisées et révision des statistiques de base
2.1 Garantir l'indépendance par une répartition aléatoire
2.2 Cas de test A/B
_2.3 Expérience idéale
_2.4 La formule la plus dangereuse
_2,5 Erreur type de l'estimation
2.6 Intervalle de confiance
_2.7 Tests d'hypothèses
_2,8 valeur p
_2.9 Le pouvoir noir
2.10 Calcul de la taille de l'échantillon
_2.11 Résumé
Chapitre 3 Modèle causal graphique
3.1 Réflexion sur la causalité
3.2 Formation intensive sur les modèles graphiques
3.3 Réinterprétation de l'identification
3.4 Hypothèse d'indépendance conditionnelle et formule de correction
3.5 Hypothèse positive
3.6 Exemples d'identification concrète
3.7 Biais de confusion
_3.8 Biais de sélection
_3.9 Résumé
[PARTIE 2 CORRECTION DES BIAIS]
Chapitre 4 : Régression linéaire utile
4.1 La nécessité d'une régression linéaire
4.2 Théorie de l'analyse de régression
_4.3 Théorème de Frisch-Warr-Lobel et orthogonalisation
4.4 Analyse de régression en tant que modèle de résultats
4.5 Positif et extrapolation
4.6 Non-linéarité en régression linéaire
4.7 Analyse de régression à l'aide de variables indicatrices
4.8 Biais lié à la variable omise
_4.9 Variables de contrôle neutres
_4.10 Résumé
Chapitre 5 Score de propension
5.1 Efficacité de la formation des gestionnaires
5.2 Analyse de régression et étalonnage
_5.3 Score de propension
_5.4 Conception vs.
Identification basée sur un modèle
_5.5 Estimation doublement robuste
_5.6 Score de propension généralisé dans le traitement continu
_5.7 Résumé
[PARTIE 3 : Effets hétérogènes et personnalisation]
Chapitre 6 : Effets hétérogènes du traitement
_6.1 De ATE à CATE
6.2 Pourquoi les prédictions ne sont pas la solution
6.3 Obtention du CATE par analyse de régression
_6.4 Évaluation des prédictions CATE
6.5 Effets selon l'atmosphère modèle
_6.6 Courbe des effets cumulatifs
_6.7 Courbe de gain cumulatif
_6.8 Conversion cible
6.9 Quand le modèle de prédiction est adapté au tri des effets
6.10 CATE pour la prise de décision
_6.11 Résumé
Chapitre 7 Meta Runner
_7.1 Traitement discret Meta Runner
_7.2 Méta Runner à élimination continue
7.3 Résumé
[PARTIE 4 Données du panneau]
Chapitre 8 Méthode de la double différence
8.1 Données de panel
8.2 Méthode de la double différence standard
_8.3 Hypothèses d'identification
8.4 Variation de l'effet au fil du temps
8.5 Méthode de la double différence et covariance
8.6 Méthode de double différence robuste
8.7 Introduction du décalage horaire à l'église
_8.8 Résumé
Chapitre 9 Synthèse du groupe témoin
_9.1 Ensemble de données sur le marketing en ligne
_9.2 Représentation matricielle
9.3 Synthèse du groupe témoin et analyse de régression horizontale
_9.4 Méthode de synthèse du groupe témoin standard
_9.5 Synthèse du groupe témoin et covariables
9.6 Synthèse du groupe témoin et élimination des biais
_9.7 Inférence
_9.8 Méthode de double différence synthétique
_9.9 Résumé
[PARTIE 5 Conception expérimentale alternative]
Chapitre 10 : Expériences locales et en boucle
_10.1 Expérience régionale
10.2 Conception de la synthèse du groupe témoin
_10.3 Expérience de retournement
_10.4 Résumé
Chapitre 11 Non-réponse et variables instrumentales
_11.1 Non-réponse
_11.2 Élargir les perspectives de résultats
_11.3 Hypothèses d'identification des variables instrumentales
_11.4 Étape 1
_11.5 Étape 2
11.6 Méthode des moindres carrés en deux étapes
_11,7 Erreur standard
_11.8 Ajout de variables de contrôle et de variables instrumentales
_11.9 Conception discontinue
Résumé du 11.10
Chapitre 12 : Que faut-il apprendre de plus ?
12.1 Découverte des relations causales
12.2 Prise de décision séquentielle
12.3 Apprentissage par renforcement causal
12.4 Prédiction causale
_12.5 Adaptation du domaine
_12.6 Résumé
Épilogue : Appliquer l'inférence causale à la pratique
Recherche
Image détaillée
Avis de l'éditeur
Apprendre l'inférence causale avec Python :
Comprendre les principes commerciaux et élaborer des stratégies performantes.
« Nous vivons notre vie quotidienne en faisant inconsciemment d’innombrables inférences causales. »
Bien que l'inférence causale soit si étroitement liée à notre façon de penser, il est facile d'en négliger l'importance et la difficulté.
Mais à mesure que l'analyse des données commence à remplacer notre raisonnement et notre prise de décision, les relations causales entre les phénomènes deviennent de plus en plus obscures, enfouies sous le déluge de données massives.
Déduire des relations de cause à effet à partir de données est beaucoup plus difficile qu'on ne le pense.
Cela ne veut pas dire que c'est impossible.
Ces dernières années, l'intérêt pour l'inférence causale n'a cessé de croître, et son besoin s'est fait sentir non seulement dans le milieu universitaire, mais aussi chez les développeurs et les analystes de données. Ce phénomène a infléchi la tendance en science des données, jusqu'alors axée sur la constitution de vastes bases de données et le développement de modèles d'IA/ML (principalement à visée prédictive).
Dans un monde où les ressources pour l'apprentissage du coréen sont rares, ce livre sera une aubaine pour ceux qui cherchent à approfondir leurs connaissances en inférence causale.
Ce livre explique les concepts fondamentaux de l'inférence causale de manière accessible, sans s'attarder excessivement sur les mathématiques et la théorie des statistiques et de l'apprentissage automatique, et intègre même fidèlement les dernières découvertes de la recherche.
De plus, comme il propose une approche équilibrée de l'apprentissage pratique et concret grâce à la pratique de Python, il constitue un guide et un ouvrage de référence précieux que vous pouvez garder à portée de main et consulter en cas de besoin.
Je recommande vivement ce livre aux chercheurs qui découvrent l'inférence causale ainsi qu'aux analystes de données expérimentés.
— Extrait de l’introduction, « Note de l’éditeur »
Contenu principal
• Apprendre les concepts de base et les applications de l'inférence causale.
Comprendre la relation entre l'inférence causale et les biais
Résolution de problèmes commerciaux par inférence causale
• Observer les clients au fil du temps en utilisant l'inférence causale
• Découvrez pourquoi les effets causaux peuvent varier d'un sujet expérimental à l'autre.
Comprendre les principes commerciaux et élaborer des stratégies performantes.
« Nous vivons notre vie quotidienne en faisant inconsciemment d’innombrables inférences causales. »
Bien que l'inférence causale soit si étroitement liée à notre façon de penser, il est facile d'en négliger l'importance et la difficulté.
Mais à mesure que l'analyse des données commence à remplacer notre raisonnement et notre prise de décision, les relations causales entre les phénomènes deviennent de plus en plus obscures, enfouies sous le déluge de données massives.
Déduire des relations de cause à effet à partir de données est beaucoup plus difficile qu'on ne le pense.
Cela ne veut pas dire que c'est impossible.
Ces dernières années, l'intérêt pour l'inférence causale n'a cessé de croître, et son besoin s'est fait sentir non seulement dans le milieu universitaire, mais aussi chez les développeurs et les analystes de données. Ce phénomène a infléchi la tendance en science des données, jusqu'alors axée sur la constitution de vastes bases de données et le développement de modèles d'IA/ML (principalement à visée prédictive).
Dans un monde où les ressources pour l'apprentissage du coréen sont rares, ce livre sera une aubaine pour ceux qui cherchent à approfondir leurs connaissances en inférence causale.
Ce livre explique les concepts fondamentaux de l'inférence causale de manière accessible, sans s'attarder excessivement sur les mathématiques et la théorie des statistiques et de l'apprentissage automatique, et intègre même fidèlement les dernières découvertes de la recherche.
De plus, comme il propose une approche équilibrée de l'apprentissage pratique et concret grâce à la pratique de Python, il constitue un guide et un ouvrage de référence précieux que vous pouvez garder à portée de main et consulter en cas de besoin.
Je recommande vivement ce livre aux chercheurs qui découvrent l'inférence causale ainsi qu'aux analystes de données expérimentés.
— Extrait de l’introduction, « Note de l’éditeur »
Contenu principal
• Apprendre les concepts de base et les applications de l'inférence causale.
Comprendre la relation entre l'inférence causale et les biais
Résolution de problèmes commerciaux par inférence causale
• Observer les clients au fil du temps en utilisant l'inférence causale
• Découvrez pourquoi les effets causaux peuvent varier d'un sujet expérimental à l'autre.
SPÉCIFICATIONS DES PRODUITS
- Date d'émission : 5 mars 2024
Nombre de pages, poids, dimensions : 464 pages | 832 g | 183 × 235 × 20 mm
- ISBN13 : 9791169212113
- ISBN10 : 1169212115
Vous aimerez peut-être aussi
카테고리
Langue coréenne
Langue coréenne
![GQ KOREA Mark (Mensuel) : décembre [2025]](http://librairie.coreenne.fr/cdn/shop/files/8ef265dbbfbf186523ed75ba7319009d.jpg?v=1765340328&width=3840)
