causal-inference

DoWhy est une bibliothèque Python pour l'inférence causale qui prend en charge la modélisation et le test explicites des hypothèses causales. DoWhy repose sur un langage unifié pour l'inférence causale, combinant modèles graphiques causaux et cadres de résultats potentiels.

Modélisation d'uplift et inférence causale avec des algorithmes d'apprentissage automatique.

ALICE (Automated Learning and Intelligence for Causation and Economics) est un projet de Microsoft Research visant à appliquer les concepts d'intelligence artificielle à la prise de décision économique. L'un de ses objectifs est de construire une boîte à outils combinant des techniques d'apprentissage automatique de pointe avec l'économétrie afin d'automatiser les problèmes complexes d'inférence causale. À ce jour, le SDK Python ALICE (e

Plateforme de nouvelle génération pour l'analyse exploratoire et la visualisation automatisée de données.

Coz : profilage causal.

Inférence causale pour les courageux et les sincères. Une approche légère mais rigoureuse pour apprendre l'estimation d'impact et la causalité.

Boîte à outils Python pour le raisonnement causal et probabiliste

Un index d'algorithmes pour apprendre la causalité à partir de données

Bibliothèque Python aidant les data scientists à déduire la causalité plutôt qu'à observer la corrélation.

Collection d'articles classiques et de pointe de l'industrie dans les domaines de la recommandation, de la publicité et de la recherche.

Découverte causale en Python. Apprendre la causalité à partir des données.

Un modèle Claude Code prêt à être forké pour les universitaires utilisant LaTeX/Beamer + R. Inclut une revue multi-agents, des contrôles de qualité, du QA contradictoire et des protocoles de réplication.

Package pour l'inférence causale dans les graphes et les environnements par paires. Inclut des outils pour la récupération de la structure des graphes et des dépendances.

Une liste organisée de bibliothèques, ressources et applications d'inférence causale.

Package Python pour l'inférence causale dans des contextes quasi-expérimentaux.

Projets liés à l'IA de confiance.

Forêts aléatoires généralisées (Generalized Random Forests).

Packs de compétences Claude Code/Codex spécifiques aux revues couvrant les principales publications — AER, QJE, Nature, Cell, 管理世界, 经济研究 et plus de 200 autres — votre raccourci pour la publication.

Traduction chinoise de Causal Inference for the Brave and True. Tout le code est basé sur Python et est adapté à l'économétrie, à la sociologie quantitative et à l'évaluation de stratégies. Auteur de la version originale anglaise : Matheus Facure.

Gestion de réseau, surveillance, ITOM et analyse de sécurité open source

Un package Python pour l'analyse modulaire d'inférence causale et l'évaluation de modèles.

DoubleML - Double Machine Learning en Python.

Implémentation Python de Causal Impact basée sur le package R de Google. Réalisée avec TensorFlow Probability.

Une liste organisée d'outils, de bibliothèques et de ressources d'IA pour la recherche, l'enseignement et l'analyse des politiques en économie. Maintenue par l'équipe OpenEcon.

Package Python pour la découverte causale basé sur LiNGAM.