En comparaci¢n con el aprendizaje autom tico tradicional y lasestad¡sticas, los m?todos causales presentan desaf¡os £nicos. Aprender causalidad puede ser dif¡cil, pero ofrece distintas ventajas queescapan a una mentalidad puramente estad¡stica. Este libro ayuda aliberar todo el potencial de la causalidad.

El libro comienzacon las motivaciones b sicas del pensamiento causal y una completaintroducci¢n a conceptos causales pearlianos, como los modeloscausales estructurales, las intervenciones, los contrafactuales, etc.Cada concepto va acompa¤ado de una explicaci¢n te¢rica y una serie deejercicios pr cticos con c¢digo Python. A continuaci¢n, entra de lleno en el mundo de la estimaci¢n del efecto causal, y avanza hacia losm?todos de aprendizaje autom tico modernos.

Paso a paso,descubrir s el ecosistema causal de Python y aprovechar s la potenciade los algoritmos m s avanzados. Adem s, explorar s la mec nica de las huellas que dejan las causas y descubrir s las cuatro familiasprincipales de m?todos de descubrimiento causal. El cap¡tulo finalofrece una amplia visi¢n general del futuro de la IA causal, con unexamen de retos y oportunidades y una exhaustiva lista de recursospara seguir aprendiendo cada vez m s.

Entre otras cosas, estelibro permite:

* Dominar los conceptos fundamentales de lainferencia causal.

* Liberar el potencial del proceso deinferencia causal en cuatro pasos de Python.

* Exploraravanzadas t?cnicas de modelado uplift o de elevaci¢n.

*Descubrir los secretos del descubrimiento causal moderno conPython.

* Utilizar la inferencia causal para producir impactosocial y beneficios para la comunidad.