causality

DoWhy é uma biblioteca Python para inferência causal que suporta a modelagem e o teste explícitos de premissas causais. O DoWhy baseia-se em uma linguagem unificada para inferência causal, combinando modelos gráficos causais e estruturas de resultados potenciais.

ALICE (Automated Learning and Intelligence for Causation and Economics) é um projeto da Microsoft Research que visa aplicar conceitos de Inteligência Artificial à tomada de decisões econômicas. Um de seus objetivos é criar um kit de ferramentas que combine técnicas de aprendizado de máquina de última geração com econometria para automatizar problemas complexos de inferência causal. Até o momento, o SDK Python do ALICE

A próxima geração de plataforma automatizada para análise exploratória e visualização de dados.

Causal Inference for the Brave and True. Uma abordagem leve, porém rigorosa, para aprender sobre estimativa de impacto e causalidade.

Um índice de algoritmos para aprender causalidade com dados

[Embodied-AI-Survey-2025] Lista de artigos e repositório de recursos para Embodied AI

Descoberta causal em Python. Aprendendo causalidade a partir de dados.

Pacote para inferência causal em grafos e configurações de pares. Inclui ferramentas para recuperação de estrutura de grafos e dependências.

Eliot: o sistema de logs que explica o porquê de algo ter acontecido.

Projetos relacionados a IA confiável.

Um pacote Python para análise modular de inferência causal e avaliações de modelos

Pesquisa selecionada na interseção entre inferência causal e processamento de linguagem natural.

Repositório de código aberto para o Workshop de Modelagem Causal em Machine Learning da Altdeep.ai @ www.altdeep.ai/courses/causalAI

Pacote Python para descoberta causal baseado em LiNGAM.