P1 简介与概览 因果学习阅读笔记 Elements of Causal Inference

Elements of Causal Inference 这本书是MIT出版社出版的关于因果学习的著作。在图书资源方面，直接在Google搜索书名即可找到PDF下载链接。在书籍的内页标有创作共享的说明，不知道是否跟如此简单就能获得PDF版本有关。

This work is licensed to the public under a Creative Commons Attribution- NonCommercial-NoDerivatives 4.0 license (international):
http://creativecommons.org/licenses/by-nc-nd/4.0/

直接跳到目录页，标有前言、标记和术语页面。全书共有10章，以及3个附录。

10个章的标题分别是

1. Statistical and Causal Models / 统计和因果模型
2. Assumptions for Causal Inference / 因果推论的假设
3. Cause- Effect Models / 因果模型
4. Learning Cause-Effect Models / 学习因果模型
5. Connections to M lachine Learning,I / 与机器学习的联系 1
6. Multivariate Causal Models / 多变量因果模型
7. Learning Multivariate Causal Models / 学习多变量因果模型
8. Connections to M lachine Learning, II / 与机器学习的联系 2
9. Hidden Variables / 隐藏的变量
10. Time Series / 时间序列

三个附录：

1. Some Probability and Statistics / 一些概率和统计
2. Causal Orderings and Adjacency Matrices / 因果顺序和邻接矩阵
3. Proofs / 一些理论的证明

从目录来看，这本书的内容似乎并不算太复杂。于我而言，最复杂的就是数学部分了，不过对于一个应用型的工作来讲，能够了解其特点和大致思路基本就能良好运行，不必太过纠结具体的数学原理。

考虑到这本书的前言并不算太冗长，这里简单看一下。

在前沿的第三段中表示本书的内容先只研究两个可观察的对象的系统，是一个最基本的系统，但也表示可以直接开始阅读多变量的章节。第四段描述了研究人员的希望，希望研究事情背后的因果关系而不是以概率分布描述事情。第五第六和第七段描述了本书的一些局限，例如限于篇幅和作者本人的口味选择性的介绍一些话题，算法理论上的性能和实际上的局限性等等。最后致谢了一些对撰写本书有帮助的人士。