书籍介绍
A Turing Award-winning computer scientist and statistician shows how understanding causality has revolutionized science and will revolutionize artificial intelligence
"Correlation is not causation." This mantra, chanted by scientists for more than a century, has led to a virtual prohibition on causal talk. Today, that taboo is dead. The causal revolution, instigated by Judea Pearl and his colleagues, has cut through a century of confusion and established causality--the study of cause and effect--on a firm scientific basis. His work explains how we can know easy things, like whether it was rain or a sprinkler that made a sidewalk wet; and how to answer hard questions, like whether a drug cured an illness. Pearl's work enables us to know not just whether one thing causes another: it lets us explore the world that is and the worlds that could have been. It shows us the essence of human thought and key to artificial intelligence. Anyone who wants to understand either needs The Book of Why.
AI导读
核心看点
- 揭示观察与干预的本质区别
- 构建因果推理的三层认知阶梯
- 用通俗语言解析因果图与算法
适合谁读
- 对人工智能与机器学习感兴趣的读者
- 统计学、经济学及社会科学研究者
- 希望提升逻辑思维与批判性思考者
读前提醒
- 需具备基础统计学与概率论知识
- 后半部分涉及数学推导，难度递增
- 建议结合具体案例理解抽象概念
读者共识
- 被誉为因果推断领域最佳科普读物
- 彻底打破相关性不等于因果性的迷思
- 部分章节晦涩，非专业人士可略读
本导读基于书籍简介、目录、原文摘录、短评和书评生成，不等同于全文精读。
精彩摘录
- "在数学上，我们把自愿服药的病人的生存期L的观测频率记作P（L|D），这就是统计学教科书中常用的条件概率。这个公式表示生存期L的概率（P）是以观察到病人服用药物D为条件的。注意P（L|D）与P（L|do（D））完全不同。观察到（seeing）和进行干预（doing）有本质的区别，它解释了我们不认为气压计读数下降是风暴来临的原因。观察到气压计读数下降意味着风暴来临的概率增加了，但人为迫使气压计读数下降对风暴来临的概率并不会产生影响。"
- "事实上，我在机器学习方面的研究经历告诉我，因果关系的学习者必须熟练掌握至少三种不同层级的认知能力：观察能力（seeing）、行动能力（doing）和想象能力（imagining）。"
- "干预比关联更高级，因为它不仅涉及被动观察，还涉及主动改变现状。例如，观察到烟雾和主动制造烟雾，二者所表明的“某处着火”这件事的可能性是完全不同的。无论数据集有多大或者神经网络有多深，只要使用的是被动收集的数据，我们就无法回答有关干预的问题。从统计学中学到的任何方法都不足以让我们明确表述类似“如果价格翻倍将会发生什么”这样简单的问题，更别说回答它们了。认识到这一点让许多科学家挫败不已。我之所以对此心知肚明，是因为我曾多次帮助这些科学家踏上因果关系之梯的更高层级。"
- "首先，赖特想说的是，路径分析的应用应该以研究者对因果过程的个人理解为基础，这种理解就反映在其所绘制的因果图或路径图中。它不能被简化为一个机械性的程序，就像统计手册里列出的那些操作方法一样。对于赖特来说，绘制路径图不是一种统计学实践，而是一种遗传学、经济学、心理学实践或其他诸领域的研究者在自己的专业领域所进行的一种实践。 其次，赖特将“无模型方法”的诱人之处归因于其客观性。自1834年3月15日伦敦统计学会成立伊始，客观性就是统计学家的圣杯。学会的创始章程规定，在所有的情况下，数据都优先于观点和解释。数据是客观的，而观点是主观的。这个规则的提出远远早于皮尔逊时代。为客观性而奋斗，完全根据数据和实"
- "这个看似简单的方程就是贝叶斯法则。如果仔细观察它所表达的内容，我们就能发现它提供了逆概率问题的一种通用解决方案。它告诉我们，如果我们知道给定T后S的概率，即P（S|T），那么我们就应该能够计算出给定S后T的概率，即P（T|S），当然前提是我们已知P（T）和P（S）。"
- "我们在实际生活中似乎就是遵循着共因原则行事的，无论何时，只要观察到某种模式，我们就会去寻找一个因果解释。事实上，我们本能地渴望根据数据之外的某个稳定机制对观察结果做出解释。其中最令人满意的解释是直接因果关系：X导致Y。当实际情况不能满足直接因果关系时，如果能找出X和Y的共因，那么我们也会感到满意。相比之下，对撞结构太难以捉摸，无法满足我们的因果解释欲。"
- "对撞的扭曲棱镜在日常生活中同样普遍存在。正如乔丹·埃伦伯格在《魔鬼数学》（How Not to Be Wrong）中提出的问题：你有没有注意到，在你约会的人当中，那些有魅力的人往往是混蛋？与其为解释这一现象而费力构建复杂的社会心理理论，不如考虑一种更简单的解释。你对约会对象的选择取决于两个因素：魅力和个性。你会冒险约会一个刻薄而有魅力的人，或者一个和蔼但缺乏魅力的人，你当然也会与既和蔼又有魅力的人约会，但你肯定不会与既刻薄又没有魅力的人约会。换句话说，你删掉了所有“负—负”的结果，这与你在抛掷两枚硬币的例子中所做的筛选是相同的，而正是这种筛选造成了魅力和个性之间的伪负相关。可悲的事实是，没有魅"
- "规则1为：如果我们观察到变量W与Y无关（其前提可能是以其他变量Z为条件），那么Y的概率分布就不会随W而改变。例如，在第三章，我们看到，一旦我们知道了中介物“烟雾”的状态，变量“火灾”就与变量“警报”不相关了。这种不相关的认定转化为符号处理，就是： P（Y|do（X），Z，W）=P（Y|do（X），Z）"
作者简介
Judea Pearl is a professor of computer science at UCLA and winner of the 2011 Turing Award and the author of three classic technical books on causality. He lives in Los Angeles, California.
Dana Mackenzie is an award-winning science writer and the author of The Big Splat, or How Our Moon Came to Be. He lives in Santa Cruz, California.
用户评论
又简单又难
在Pearl的书中只有这本是“说人话”，用讲故事的形式介绍因果推理中的一些概念，而非满页令人生畏的数学公式推导，此外只要对统计学的知识和历史有所了解，那么书中的内容绝不会让人陌生，作者不仅展示了他过往研究中最为基础的部分，也提及了这些工作的产生过程和许多其他研究者的努力，于是相比他之前数十年的著作，最近才出版的这本书反而成为意图了解因果推理领域的外行人最佳的先导读物，尤其对“相关不等于因果”与各种悖论的解释极尽简明有力，天下无出其右，读此书再去读因果研究的教科书更有情景感，除了Pearl这样执迷直接啃数学天赋异禀的人，他在书中说自己的阅读方法是跳开文字描述直接看数学公式。当然，本书的数学部分太少，读了之后你也不会理解Why的真谛，必须去学因果推理的教材。另外此书重点是因果推理，不是人工智能。
终于！看完了！醍醐灌顶！太精彩！基本改变了对统计的认知！9.6-9.24，amazing的18天阅读体验。
在过去不到三十年的时间里，人们对因果关系这个问题的理解取得了突破式的进步，可以说是发生了一场“因果革命”。珀尔这本书，就是向“聪明的外行”介绍这个新学说。
7-9章比较难懂，看来太前沿，不适合非学界人士，简单了解一下吧，再过两年深度学习碰壁以后估计会回归因果分析~实现强智能应该绕不开因果体系
怀着对Pearl老爷子的敬意把中文版里我看得比较迷糊的部分的原文看了一遍，也算是理解上强了一些，不过最近还是没时间搞因果推断，当有空了一定要把causality那些书看一遍。从学术人格上看，他真的是我辈楷模。
万维刚精英日课2解读
自由意志，是一种感觉特别真实的幻觉。
优质科普，讲得十分清晰有趣，但未免夸大了因果图的作用。实际应用中最难的是洞悉因果模型，能画出一个有效的因果图就成功了一大半，至于后门规则等，掌握起来不算太难。
cs学科视角的因果推断，值得细读很有insight，为其中一个女学生的故事动容
作为一本因果推断的科普书，它确实为任何我这样的门外汉打开了新世界的大门。多年的学术训练，听了无数遍的“相关性不等于因果关系”原来是学术界多年来的选择性无视，其中更有学阀导致的一些前驱的悲剧命运。庆幸的是，因果推断得到了越来越多的重视，其主干部分都已经有了明确的数学定义，乃至应用算法。最后在读完整本书之后，个人感觉作者可以在理论方面说的更加详细深入些，而对于历史或学界的怨念表达可以稍少些😂。
收藏