#causal-inference Dépôts
Découvrez 39 dépôts GitHub open source actifs associés à #causal-inference, cumulant 78,768 étoiles au total (soit une moyenne de 2,019 étoiles par projet). Le projet en tête de ce thème est py-why/dowhy, avec 8,411 étoiles.
39 dépôts au total
DoWhy est une bibliothèque Python pour l'inférence causale qui prend en charge la modélisation et le test explicites des hypothèses causales. DoWhy est basé sur un langage unifié pour l'inférence causale, combinant des modèles graphiques causaux et des cadres de résultats potentiels.
Modélisation 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 des concepts d'Intelligence Artificielle à la prise de décision économique. L'un de ses objectifs est de construire un kit d'outils qui combine des techniques d'apprentissage automatique de pointe avec l'économétrie afin d'apporter l'automatisation à des problèmes complexes d'inférence causale. À ce jour, le SDK Python ALICE (econml) implémente des algorithmes d'apprentissage automatique orthogonaux tels que le travail sur l'apprentissage automatique double de
Prochaine génération de la plateforme automatisée d'analyse exploratoire de données et de visualisation.
Inférence Causale pour les Braves et les Vrais. Une approche légère mais rigoureuse pour apprendre l'estimation de l'impact et la causalité.
Un index d'algorithmes pour apprendre la causalité avec des données
Une bibliothèque Python qui aide les data scientists à inférer la causalité plutôt que d'observer la corrélation.
Repo pour le cours de doctorat en méthodes empiriques appliquées de Yale
Une collection d'articles classiques et de pointe de l'industrie dans les domaines de la recommandation/de la publicité/de la recherche. A collection of industry classics and cutting-edge papers in the field of recommendation/advertising/search.
Réseau Convolutif de Graphes Temporel pour la Prévision du Flux de Trafic Urbain Méthode
Tigramite est un package Python pour l'inférence causale avec un accent sur les données de séries temporelles. La documentation Tigramite est à
Un modèle Claude Code prêt à être forké pour la recherche universitaire — articles, analyse de données (R, Stata, Python), présentations et enseignement — avec revue multi-agents, contrôles qualité obligatoires et protocoles de réplication. Il fonctionne aussi avec Codex et Antigravity.
Packs de compétences Claude Code/Codex spécifiques aux revues, couvrant les principales publications — AER, QJE, Nature, Cell, Management World, Economic Research Journal et plus de 200 autres — votre voie rapide vers la publication.
Paquet pour l'inférence causale dans les graphes et dans les paramètres par paires. Des outils pour la récupération de la structure du graphe et des dépendances sont inclus.
Un package Python pour l'inférence causale dans des contextes quasi-expérimentaux
Une liste organisée de bibliothèques, de ressources et d'applications d'inférence causale.
Une nouvelle base de code pour les méthodes populaires de génération de graphes de scènes (2020). La visualisation et l'extraction de graphes de scènes sur des images/ensembles de données personnalisés sont fournies. C'est aussi une implémentation PyTorch du document « Unbiased Scene Graph Generation from Biased Training CVPR 2020 »
Inférence et Découverte Causales en Python par Packt Publishing
La version chinoise traduite de Causal Inference for the Brave and True. Tout le code est basé sur Python et s'applique à des domaines tels que l'économétrie, la sociologie quantitative, l'évaluation de stratégies, etc. Auteur original de la version anglaise : Matheus Facure
Gestion réseau open source, supervision, ITOM, observabilité et analyse de la sécurité
Un package Python pour l'analyse modulaire d'inférence causale et les évaluations de modèles
Une sélection d’outils d’IA, de compétences d’agents, de bibliothèques et de ressources pour la recherche, l’enseignement et l’analyse des politiques économiques. Maintenue par l’équipe OpenEcon.
Une liste de lecture pour des articles sur la causalité pour le traitement du langage naturel (NLP)
Implémentation de l'Impact Causal Python basée sur le package R de Google. Construit à l'aide de TensorFlow Probability.
Paquet R pour effectuer une RM à 2 échantillons en utilisant la base de données IEU OpenGWAS
Foire aux questions
Quel est le dépôt #causal-inference le plus populaire sur GitHub ?
Le projet #causal-inference open source le mieux classé sur GitHub est py-why/dowhy, avec 8,411 étoiles. DoWhy est une bibliothèque Python pour l'inférence causale qui prend en charge la modélisation et le test explicites des hypothèses causales. DoWhy est basé sur un langage unifié pour l'inférence causale, combinant des modèles graphiques causaux et des cadres de résultats potentiels.
Quels langages de programmation sont les plus utilisés dans les dépôts #causal-inference ?
Parmi les projets #causal-inference les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, R, TypeScript.
Comment le classement des dépôts #causal-inference est-il calculé ?
Nous suivons 39 dépôts open source actifs associés à #causal-inference (500+ étoiles), totalisant 78,768 étoiles, avec une moyenne de 2,019 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.