Intelligenza Artificiale e Inferenza Causale affronta il recente sviluppo delle relazioni tra intelligenza artificiale (IA) e inferenza causale. Nonostante i significativi progressi nell'IA, una grande sfida nello sviluppo dell'IA che dobbiamo ancora affrontare è comprendere i meccanismi alla base dell'intelligenza, tra cui il ragionamento, la pianificazione e l'immaginazione. Comprendere il trasferimento e la generalizzazione sono principi fondamentali che danno origine all'intelligenza. Una componente chiave per questa comprensione è l'inferenza causale. L'inferenza causale include l'intervento, il cambio di dominio, l'apprendimento, la struttura temporale e il pensiero controfattuale come concetti principali per comprendere la causalità e il ragionamento. Sfortunatamente, queste componenti essenziali della causalità sono spesso trascurate dall'apprendimento automatico, il che porta ad alcuni fallimenti del deep learning. L'IA e l'inferenza causale implicano (1) l'utilizzo di tecniche di IA come strumenti principali per l'analisi causale e (2) l'applicazione dei concetti causali e dei metodi di analisi causale alla risoluzione dei problemi di IA. Lo scopo di questo libro è colmare il divario tra l'IA e l'analisi causale moderna per facilitare ulteriormente la rivoluzione dell'IA. Questo libro è ideale per studenti laureati e ricercatori in IA, scienza dei dati, inferenza causale, statistica, genomica, bioinformatica e medicina di precisione. Caratteristiche principali: Copre tre tipi di reti neurali, formula il deep learning come un problema di controllo ottimale e utilizza il principio del massimo di Pontryagin per l'addestramento della rete. Deep learning per la mediazione non lineare e l'analisi causale con variabili strumentali. La costruzione di reti causali è formulata come un problema di ottimizzazione continua. Transformer e attenzione sono utilizzati per codificare-decodificare la grafica. RL è utilizzato per inferire grandi reti causali. Utilizza VAE GAN, reti neurali ricorrenti (RNN) e RL per stimare risultati controfattuali. Metodi basati sull'IA per la stima dell'effetto del trattamento individualizzato in presenza di interferenze di rete. Lingua: Inglese