#causal-inference Repositorios
Descubre 39 repositorios activos de código abierto de GitHub etiquetados con #causal-inference, que acumulan 78,768 estrellas en total (una media de 2,019 estrellas por proyecto). El líder de este tema es py-why/dowhy, con 8,411 estrellas.
39 repositorios en total
DoWhy es una biblioteca de Python para la inferencia causal que soporta la modelización y prueba explícita de suposiciones causales. DoWhy se basa en un lenguaje unificado para la inferencia causal, que combina modelos gráficos causales y marcos de resultados potenciales.
ALICE (Automated Learning and Intelligence for Causation and Economics) es un proyecto de Microsoft Research dirigido a aplicar conceptos de Inteligencia Artificial en la toma de decisiones económicas. Uno de sus objetivos es construir un kit de herramientas que combine técnicas de aprendizaje automático de vanguardia con econometría para llevar la automatización a problemas complejos de inferencia causal. Hasta la fecha, el SDK de Python de ALICE (econml) implementa algoritmos de aprendizaje automático ortogonal, como el trabajo de aprendizaje automático doble de
Próxima generación de la plataforma automatizada de análisis exploratorio de datos y visualización.
Inferencia Causal para los Valientes y los Verdaderos. Un enfoque ligero pero riguroso para aprender sobre la estimación de impacto y la causalidad.
Una biblioteca de Python que ayuda a los científicos de datos a inferir causalidad en lugar de observar correlación.
Repositorio para el curso de Doctorado en Métodos Empíricos Aplicados de Yale
Una colección de artículos clásicos y de vanguardia de la industria en los campos de recomendación/publicidad/búsqueda. A collection of industry classics and cutting-edge papers in the field of recommendation/advertising/search.
Red Convolucional de Grafos Temporal para la Predicción del Flujo de Tráfico Urbano Método
Tigramite es un paquete de Python para inferencia causal con un enfoque en datos de series temporales. La documentación de Tigramite está en
Una plantilla de Claude Code lista para bifurcar, diseñada para la investigación académica: artículos, análisis de datos (R, Stata, Python), presentaciones y docencia, con revisión multiagente, controles de calidad obligatorios y protocolos de replicación. También se puede usar con Codex y Antigravity.
Paquetes de habilidades de Claude Code/Codex específicos para revistas académicas, cubriendo publicaciones principales — AER, QJE, Nature, Cell, Management World, Economic Research Journal y más de 200 otras — tu vía rápida para publicar.
Paquete para inferencia causal en grafos y en configuraciones por pares. Incluye herramientas para la recuperación de la estructura del grafo y dependencias.
Un paquete de Python para la inferencia causal en entornos cuasi-experimentales
Una lista seleccionada de bibliotecas, recursos y aplicaciones de inferencia causal.
Una nueva base de código para métodos populares de generación de grafos de escena (2020). Se proporcionan visualización y extracción de grafos de escena en imágenes/conjuntos de datos personalizados. También es una implementación de PyTorch del artículo “Unbiased Scene Graph Generation from Biased Training CVPR 2020”
Inferencia y Descubrimiento Causal en Python por Packt Publishing
La versión traducida al chino de Causal Inference for the Brave and True. Todo el código se basa en Python y es aplicable a campos como la econometría, la sociología cuantitativa, la evaluación de estrategias, etc. Autor original de la versión en inglés: Matheus Facure
Gestión de redes de código abierto, monitorización, ITOM, observabilidad y análisis de seguridad
Un paquete de Python para análisis de inferencia causal modular y evaluaciones de modelos
Una lista seleccionada de herramientas de IA, habilidades de agentes, bibliotecas y recursos para la investigación, la enseñanza y el análisis de políticas económicas. Mantenida por el equipo de OpenEcon.
Una lista de lectura de artículos sobre causalidad para el Procesamiento del Lenguaje Natural (NLP)
Implementación de Python Causal Impact basada en el paquete R de Google. Construido con TensorFlow Probability.
Paquete de R para realizar MR de 2 muestras usando la base de datos IEU OpenGWAS
Preguntas frecuentes
¿Cuál es el repositorio de #causal-inference más popular en GitHub?
El proyecto de código abierto de #causal-inference mejor posicionado en GitHub es py-why/dowhy, con 8,411 estrellas. DoWhy es una biblioteca de Python para la inferencia causal que soporta la modelización y prueba explícita de suposiciones causales. DoWhy se basa en un lenguaje unificado para la inferencia causal, que combina modelos gráficos causales y marcos de resultados potenciales.
¿Qué lenguajes de programación se utilizan más en los repositorios de #causal-inference?
Entre los proyectos de #causal-inference mejor posicionados en GitHub, los lenguajes de programación más comunes son Python, Jupyter Notebook, R, TypeScript.
¿Cómo se calcula la clasificación de los repositorios de #causal-inference?
Seguimos 39 repositorios activos de código abierto etiquetados con #causal-inference (500+ estrellas), que suman un total de 78,768 estrellas, con una media de 2,019 estrellas por repositorio. Las clasificaciones se actualizan diariamente a partir de la API de GitHub.