#causal-inference Repositories
Entdecke 39 aktive Open-Source-GitHub-Repositories, die mit #causal-inference getaggt sind und insgesamt 78,768 Sterne gesammelt haben (durchschnittlich 2,019 Sterne pro Projekt). Spitzenreiter in diesem Themenbereich ist py-why/dowhy mit 8,411 Sternen.
Insgesamt 39 Repositories
DoWhy ist eine Python-Bibliothek für kausale Inferenz, die die explizite Modellierung und Überprüfung kausaler Annahmen unterstützt. DoWhy basiert auf einer einheitlichen Sprache für kausale Inferenz, die kausale grafische Modelle und potenzielle Ergebnisrahmenwerk kombiniert.
ALICE (Automated Learning and Intelligence for Causation and Economics) ist ein Microsoft Research-Projekt, das darauf abzielt, Konzepte der Künstlichen Intelligenz auf wirtschaftliche Entscheidungsfindung anzuwenden. Eines seiner Ziele ist es, ein Toolkit zu entwickeln, das modernste Machine-Learning-Techniken mit Ökonometrie kombiniert, um Automatisierung in komplexe kausale Inferenzprobleme zu bringen. Bis heute implementiert das ALICE Python SDK (econml) orthogonale Machine-Learning-Algorithmen wie die Double-Machine-Learning-Arbeit von
Nächste Generation der automatisierten Plattform für explorative Datenanalyse und Visualisierung.
Kausale Inferenz für die Mutigen und Wahrhaftigen. Ein unbeschwerter, aber dennoch rigoroser Ansatz, um etwas über Erfolgsschätzung und Kausalität zu lernen.
Eine Python-Bibliothek, die Data Scientists hilft, Kausalität zu inferieren, anstatt nur Korrelation zu beobachten.
Repo für den Promotionskurs für angewandte empirische Methoden an der Yale University
Sammlung von Industriestandards und Spitzenpapieren aus den Bereichen Empfehlung/Werbung/Suche. Eine Sammlung von Industriestandards und Spitzenpapieren aus den Bereichen Empfehlung/Werbung/Suche.
Temporales Graph-Convolutional-Netzwerk für die Vorhersage des städtischen Verkehrsflusses
Tigramite ist ein Python-Paket für kausale Inferenz mit Fokus auf Zeitreihendaten. Die Tigramite-Dokumentation ist unter
Ein sofort forkbares Claude-Code-Template für die akademische Forschung – für Papers, Datenanalyse (R, Stata, Python), Präsentationen und Lehre – mit Multi-Agenten-Review, verbindlichen Qualitätsschranken und Replikationsprotokollen. Es kann auch mit Codex und Antigravity verwendet werden.
Journal-spezifische Claude Code/Codex-Skill-Pakete für führende Fachzeitschriften — AER, QJE, Nature, Cell, Management World, Economic Research Journal & über 200 weitere — Ihr schneller Weg zur Veröffentlichung.
Paket für kausale Inferenz in Graphen und in paarweisen Einstellungen. Tools für die Erholung der Graphstruktur und Abhängigkeiten sind enthalten.
Eine kuratierte Liste von Kausalitätsinferenzbibliotheken, Ressourcen und Anwendungen.
Eine neue Codebasis für beliebte Scene Graph Generation-Methoden (2020). Visualisierung & Scene Graph Extraction auf benutzerdefinierten Bildern/Datensätzen sind vorhanden. Es ist auch eine PyTorch-Implementierung des Papiers „Unbiased Scene Graph Generation from Biased Training CVPR 2020“
Kausale Inferenz und Entdeckung in Python von Packt Publishing
Die chinesische Übersetzung von Causal Inference for the Brave and True. Der gesamte Code basiert auf Python und ist für Bereiche wie Ökonometrie, quantitative Soziologie und Strategiebewertung geeignet. Originalautor der englischen Version: Matheus Facure
Open-Source-Netzwerkmanagement, Monitoring, ITOM, Observability und Sicherheitsanalytik
Ein Python-Paket für modulare kausale Inferenz-Analyse und Modellbewertungen
Eine kuratierte Liste von KI-Tools, Agentenfähigkeiten, Bibliotheken und Ressourcen für wirtschaftswissenschaftliche Forschung, Lehre und Politikanalyse. Gepflegt vom OpenEcon-Team.
Eine Leseliste für Arbeiten zur Kausalität für Natural Language Processing (NLP)
Python Causal Impact Implementierung basierend auf Googles R-Paket. Erbaut mit TensorFlow Probability.
Häufig gestellte Fragen
Welches ist das beliebteste #causal-inference-Repository auf GitHub?
Das am höchsten eingestufte Open-Source-#causal-inference-Projekt auf GitHub ist py-why/dowhy mit 8,411 Sternen. DoWhy ist eine Python-Bibliothek für kausale Inferenz, die die explizite Modellierung und Überprüfung kausaler Annahmen unterstützt. DoWhy basiert auf einer einheitlichen Sprache für kausale Inferenz, die kausale grafische Modelle und potenzielle Ergebnisrahmenwerk kombiniert.
Welche Programmiersprachen werden in #causal-inference-Repositories am häufigsten verwendet?
Unter den am höchsten eingestuften #causal-inference-Projekten auf GitHub sind Python, Jupyter Notebook, R, TypeScript die am häufigsten verwendeten Programmiersprachen.
Wie wird das Ranking der #causal-inference-Repositories berechnet?
Wir verfolgen 39 aktive Open-Source-Repositories, die mit #causal-inference getaggt sind (500+ Sterne), mit insgesamt 78,768 Sternen und durchschnittlich 2,019 Sternen pro Repository. Die Rankings werden täglich über die GitHub-API aktualisiert.