因果推断：基于图模型分析

本来不抱有太高期望的，但看完第三章后，感觉作者几乎把每一个细节的推导和应用(R例子)都讲得很清楚，相比Judea教授的那本看得令人头大的A Primer，不得不先给作者点个赞。

如果你不是很了解因果推断的数学背景和数学技术, 也不了解代码技术, 而想学图, 这本书只有 1 星. 这本书声称的对象和实际在讨论的对象不能说风牛马不相及, 也至少要说是有很大的范围误差. 初学者, 自学者别读这本书, 只会阅读越乱. 我觉得我算是对因果学习比较了解了, 文章也发了点了, 但这本书读起来是真的很难受, 可读性极差, 但内容该有的都有, 但不同章节内的跳跃很大, 代码关联性极少, 甚至例题之间都没有任何的关联性. 在读到这本书值得读的地方之前, 基本都想弃了. 有很多值得读的书, 但这本书与读了有点东西, 不读好不受害的一本书, 大概只是因为是中文材料所以显得弥足珍贵了.比绝大多数讲因果的要深入, 这是为什么读的难受得要死我还给 2 星的原因. 另外本书排版极差极差极差.

工业界用潜因果模型较多，这本书使用图模型进行分析，还是可以当做参考书查漏补缺翻翻的。

比 Pearl 老爷子写的 Primer 容易懂。推荐。

微信读书里很详细的一本关于因果推断的书籍了

万人血书求微信读书支持LaTex (1/10000)

当一本工具书，看了里面部分内容，温习了一下之前学的因果推断。如果因果链真的能有效的融入到主流llm里，我相信会是里程碑的迭代。目前大模型之所以在特定领域上的解答非常拉垮（例如特定行业供应商信息），因为底层逻辑还是相关性大师，而不是因果链。目前大模型的训练基于海量文本，它们擅长捕捉词语共现的模式，比如“A供应商”和“某项认证”经常一起出现。但它不知道是不是因为有了这个认证导致A供应商更可靠，还是仅仅因为它们都属于某个更大的集合（比如“行业头部企业”）。模型它知道下雨天带伞的人多（强相关），但分不清是下雨导致打伞，还是打伞导致下雨（当然，这个例子简单，但高度复杂场景下模型就懵了）。如果AI能内置因果推断，那就不再是鹦鹉学舌，而是开始具备“理解世界运行机制”的潜力，一起期待吧！

再读一遍，有收获，之前对因果这个总是有中朦胧的恐惧感，尤其是因果图；现在看来是能解决的，不过需要深入理解清楚，还需要再读一遍的

在神经网络领域通过卷积结构进行图模型分析分析，在很多应用场景里取得了很好的表现