内容简介

全书共分6章。

第1章从潜结果框架和结构因果模型出发，介绍因果推断的基本概念和方法；

第2章介绍近年统计和机器学习文献中出现的一些重要的基于机器学习的因果推断方法；

第3章介绍能够提高机器学习模型的泛化能力的因果表征学习；

第4章介绍因果机器学习如何提高机器学习模型的可解释性与公平性；

第5章介绍因果机器学习在推荐系统和学习排序中的应用；

第6章是对全书的一个总结和对未来的展望。

本书对结合因果推断和机器学习的理论与实践进行了介绍。通过阅读本书，读者不仅可以掌握因果机器学习的基础理论，还可对本书中提到的论文代码进行钻研，从而在实践中加深对因果机器学习的理解。