因果推斷：基於圖模型分析

本來不抱有太高期望的，但看完第三章後，感覺作者幾乎把每一個細節的推導和應用(R例子)都講得很清楚，相比Judea教授的那本看得令人頭大的A Primer，不得不先給作者點個贊。

如果你不是很瞭解因果推斷的數學背景和數學技術, 也不瞭解代碼技術, 而想學圖, 這本書只有 1 星. 這本書聲稱的對象和實際在討論的對象不能說風牛馬不相及, 也至少要說是有很大的範圍誤差. 初學者, 自學者別讀這本書, 只會閱讀越亂. 我覺得我算是對因果學習比較瞭解了, 文章也發了點了, 但這本書讀起來是真的很難受, 可讀性極差, 但內容該有的都有, 但不同章節內的跳躍很大, 代碼關聯性極少, 甚至例題之間都沒有任何的關聯性. 在讀到這本書值得讀的地方之前, 基本都想棄了. 有很多值得讀的書, 但這本書與讀了有點東西, 不讀好不受害的一本書, 大概只是因爲是中文材料所以顯得彌足珍貴了.比絕大多數講因果的要深入, 這是爲什麼讀的難受得要死我還給 2 星的原因. 另外本書排版極差極差極差.

工業界用潛因果模型較多，這本書使用圖模型進行分析，還是可以當做參考書查漏補缺翻翻的。

比 Pearl 老爺子寫的 Primer 容易懂。推薦。

微信讀書裏很詳細的一本關於因果推斷的書籍了

萬人血書求微信讀書支持LaTex (1/10000)

當一本工具書，看了裏面部分內容，溫習了一下之前學的因果推斷。如果因果鏈真的能有效的融入到主流llm裏，我相信會是里程碑的迭代。目前大模型之所以在特定領域上的解答非常拉垮（例如特定行業供應商信息），因爲底層邏輯還是相關性大師，而不是因果鏈。目前大模型的訓練基於海量文本，它們擅長捕捉詞語共現的模式，比如“A供應商”和“某項認證”經常一起出現。但它不知道是不是因爲有了這個認證導致A供應商更可靠，還是僅僅因爲它們都屬於某個更大的集合（比如“行業頭部企業”）。模型它知道下雨天帶傘的人多（強相關），但分不清是下雨導致打傘，還是打傘導致下雨（當然，這個例子簡單，但高度複雜場景下模型就懵了）。如果AI能內置因果推斷，那就不再是鸚鵡學舌，而是開始具備“理解世界運行機制”的潛力，一起期待吧！

再讀一遍，有收穫，之前對因果這個總是有中朦朧的恐懼感，尤其是因果圖；現在看來是能解決的，不過需要深入理解清楚，還需要再讀一遍的

在神經網絡領域通過卷積結構進行圖模型分析分析，在很多應用場景裏取得了很好的表現