한빛출판네트워크

<p><strong>[PART 1 인과추론 기초]</strong></p><p> </p><p><strong>1장 인과추론 소개</strong><br>_1.1 인과추론의 개념<br>_1.2 인과추론의 목적 <br>_1.3 머신러닝과 인과추론 <br>_1.4 연관관계와 인과관계<br>_1.5 편향 <br>_1.6 인과효과 식별하기 <br>_1.7 요약</p><p> </p><p><strong>2장 무작위 실험 및 기초 통계 리뷰</strong><br>_2.1 무작위 배정으로 독립성 확보하기 <br>_2.2 A/B 테스트 사례 <br>_2.3 이상적인 실험 <br>_2.4 가장 위험한 수식 <br>_2.5 추정값의 표준오차 <br>_2.6 신뢰구간 <br>_2.7 가설검정 <br>_2.8 p 값 <br>_2.9 검정력 <br>_2.10 표본 크기 계산 <br>_2.11 요약</p><p> </p><p><strong>3장 그래프 인과모델</strong><br>_3.1 인과관계에 대해 생각해보기<br>_3.2 그래프 모델 집중 훈련 <br>_3.3 식별 재해석 <br>_3.4 조건부 독립성 가정과 보정 공식 <br>_3.5 양수성 가정 <br>_3.6 구체적인 식별 예제 <br>_3.7 교란편향 <br>_3.8 선택편향 <br>_3.9 요약</p><p> </p><p><strong>[PART 2 편향 보정]</strong></p><p> </p><p><strong>4장 유용한 선형회귀</strong><br>_4.1 선형회귀의 필요성 <br>_4.2 회귀분석 이론 <br>_4.3 프리슈-워-로벨 정리와 직교화 <br>_4.4 결과 모델로서의 회귀분석 <br>_4.5 양수성과 외삽 <br>_4.6 선형회귀에서의 비선형성 <br>_4.7 더미변수를 활용한 회귀분석 <br>_4.8 누락 변수 편향 <br>_4.9 중립 통제변수 <br>_4.10 요약</p><p> </p><p><strong>5장 성향점수</strong><br>_5.1 관리자 교육의 효과 <br>_5.2 회귀분석과 보정 <br>_5.3 성향점수<br>_5.4 디자인 vs. 모델 기반 식별 <br>_5.5 이중 강건 추정 <br>_5.6 연속형 처치에서의 일반화 성향점수 <br>_5.7 요약</p><p> </p><p><strong>[PART 3 이질적 효과와 개인화]</strong></p><p> </p><p><strong>6장 이질적 처치효과</strong><br>_6.1 ATE에서 CATE로 <br>_6.2 예측이 답이 아닌 이유 <br>_6.3 회귀분석으로 CATE 구하기 <br>_6.4 CATE 예측 평가하기 <br>_6.5 모델 분위수에 따른 효과 <br>_6.6 누적 효과 곡선 <br>_6.7 누적 이득 곡선 <br>_6.8 목표 변환 <br>_6.9 예측 모델이 효과 정렬에 좋을 때 <br>_6.10 의사결정을 위한 CATE <br>_6.11 요약</p><p> </p><p><strong>7장 메타러너</strong><br>_7.1 이산형 처치 메타러너 <br>_7.2 연속형 처치 메타러너 <br>_7.3 요약</p><p> </p><p><strong>[PART 4 패널데이터]</strong></p><p> </p><p><strong>8장 이중차분법</strong><br>_8.1 패널데이터 <br>_8.2 표준 이중차분법 <br>_8.3 식별 가정 <br>_8.4 시간에 따른 효과 변동 <br>_8.5 이중차분법과 공변량 <br>_8.6 이중 강건 이중차분법 <br>_8.7 처치의 시차 도입 <br>_8.8 요약</p><p> </p><p><strong>9장 통제집단합성법</strong><br>_9.1 온라인 마케팅 데이터셋 <br>_9.2 행렬 표현 <br>_9.3 통제집단합성법과 수평 회귀분석 <br>_9.4 표준 통제집단합성법 <br>_9.5 통제집단합성법과 공변량 <br>_9.6 통제집단합성법과 편향 제거 <br>_9.7 추론 <br>_9.8 합성 이중차분법 <br>_9.9 요약</p><p> </p><p><strong>[PART 5 대안적 실험 설계]</strong></p><p> </p><p><strong>10장 지역 실험과 스위치백 실험</strong><br>_10.1 지역 실험<br>_10.2 통제집단합성법 설계<br>_10.3 스위치백 실험 <br>_10.4 요약</p><p> </p><p><strong>11장 불응과 도구변수</strong><br>_11.1 불응 <br>_11.2 잠재적 결과 확장<br>_11.3 도구변수 식별 가정 <br>_11.4 1단계 <br>_11.5 2단계 <br>_11.6 2단계 최소제곱법 <br>_11.7 표준오차 <br>_11.8 통제변수와 도구변수 추가 <br>_11.9 불연속 설계 <br>_11.10 요약</p><p> </p><p><strong>12장 더 배울 내용</strong><br>_12.1 인과관계 발견 <br>_12.2 순차적 의사결정 <br>_12.3 인과적 강화학습 <br>_12.4 인과 예측 <br>_12.5 도메인 적응 <br>_12.6 요약</p><p> </p><p><strong>에필로그  실무에 인과추론 적용하기 </strong><br><strong>찾아보기</strong></p>

<p><strong>파이썬으로 익히는 인과추론: </strong><br><strong>비즈니스 원리를 파악하고 성공적인 전략 수립하기</strong></p><p> </p><p>“우리는 일상생활에서 무의식중에 수많은 인과추론을 하며 살아갑니다. 그만큼 인과추론은 우리의 사고방식과 밀접하지만, 그렇기 때문에 오히려 인과추론의 중요성과 어려움을 간과하기 쉽습니다. 하지만 데이터 분석이 우리의 추론과 의사결정을 대신하기 시작하면서, 현상에 대한 인과관계는 빅데이터의 홍수 속에 파묻혀 점점 더 모호해지고 있습니다. 데이터에서 원인과 결과를 추론하는 것은 생각보다 훨씬 더 어려운 일입니다. 그렇다고 불가능한 일도 아닙니다.</p><p> </p><p>지난 수년간 인과추론에 대한 관심은 나날이 높아졌고, 학계뿐 아니라 현업 개발자 및 데이터분석가 사이에서도 인과추론의 필요성이 대두되면서 빅데이터 구축 및 (예측을 주목적으로 하는) AI/ML 모델 개발 일변도였던 데이터과학 트렌드에 변화의 바람이 불고 있습니다. 한국어 학습자료가 많지 않은 현 상황에서, 이 책은 인과추론에 입문하고자 하는 분들에게 가뭄에 단비 같은 자료가 될 것입니다.</p><p> </p><p>이 책은 통계와 머신러닝에 관한 수학과 이론에 치우치지 않으면서 인과추론의 핵심 개념을 이해하기 쉽게 설명하며, 최신 연구 결과들까지도 충실히 담고 있습니다. 또한 파이썬 실습을 통해 실무적이고 실전적인 학습을 균형 있게 다루는 만큼, 곁에 두고 필요할 때 찾아볼 수 있는 지침서이자 참고서로서도 손색이 없습니다. 인과추론에 입문하는 연구자들과 현업 데이터 분석가 여러분께 이 책을 강력하게 권합니다.”</p><p style="text-align:right;"><br><strong>-    서문 ‘감수자의 말’ 중에서</strong><br> </p><p>주요 내용</p><ul><li>인과추론의 기본 개념과 활용법 익히기</li><li>인과추론과 편향의 관계 이해하기</li><li>인과추론으로 비즈니스 문제 해결하기</li><li>인과추론으로 고객을 시간에 따라 관찰하기</li><li>인과효과가 실험 대상마다 다를 수 있는 이유 학습하기</li></ul>