causality

DoWhy es una biblioteca de Python para inferencia causal que admite el modelado explícito y la prueba de supuestos causales. DoWhy se basa en un lenguaje unificado para la inferencia causal, combinando modelos gráficos causales y marcos de resultados potenciales.

ALICE (Automated Learning and Intelligence for Causation and Economics) es un proyecto de Microsoft Research cuyo objetivo es aplicar conceptos de inteligencia artificial a la toma de decisiones económicas. Uno de sus objetivos es crear un conjunto de herramientas que combine técnicas de aprendizaje automático de vanguardia con la econometría para automatizar problemas complejos de inferencia causal. Hasta la fecha, el SDK de Python de ALICE (e

Nueva generación de plataforma automatizada de análisis exploratorio de datos y visualización.

Causal Inference for the Brave and True. Un enfoque ligero pero riguroso para aprender sobre la estimación de impacto y la causalidad.

Un índice de algoritmos para el aprendizaje de la causalidad con datos

[Embodied-AI-Survey-2025] Lista de artículos y repositorio de recursos para IA incorporada (Embodied AI)

Descubrimiento causal en Python. Aprendizaje de causalidad a partir de datos.

Paquete para inferencia causal en grafos y configuraciones por pares. Se incluyen herramientas para la recuperación de la estructura de grafos y dependencias.

Eliot: el sistema de registro que te dice *por qué* sucedió algo

Proyectos relacionados con IA confiable.

Paquete de Python para análisis de inferencia causal modular y evaluaciones de modelos

Investigación curada en la intersección de la inferencia causal y el procesamiento de lenguaje natural.

Repositorio de código abierto para el taller de Modelado Causal en Aprendizaje Automático en Altdeep.ai @ www.altdeep.ai/courses/causalAI

Paquete de Python para el descubrimiento causal basado en LiNGAM.