causality

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.

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.

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

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

Liste de publications et dépôt de ressources pour l'Embodied AI

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

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.

Eliot : le système de journalisation qui vous explique le pourquoi des événements.

Projets liés à l'IA de confiance.

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

Recherche organisée à l'intersection de l'inférence causale et du traitement du langage naturel.

Dépôt open source pour l'atelier de modélisation causale en apprentissage automatique chez Altdeep.ai.

Package Python pour la découverte causale basé sur LiNGAM.