#causality Dépôts
Découvrez 14 dépôts GitHub open source actifs associés à #causality, cumulant 35,256 étoiles au total (soit une moyenne de 2,518 étoiles par projet). Le projet en tête de ce thème est py-why/dowhy, avec 8,411 étoiles.
14 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.
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
[Embodied-AI-Survey-2025] Liste des articles et répertoire de ressources pour l'IA incarnée
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'analyse modulaire d'inférence causale et les évaluations de modèles
Le dépôt open source pour l'atelier de modélisation causale en apprentissage automatique (Causal Modeling in Machine Learning Workshop) chez Altdeep.ai @ www.altdeep.ai/courses/causalAI
Recherche organisée à l'intersection de l'inférence causale et du traitement du langage naturel.
Foire aux questions
Quel est le dépôt #causality le plus populaire sur GitHub ?
Le projet #causality 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 #causality ?
Parmi les projets #causality les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, TypeScript.
Comment le classement des dépôts #causality est-il calculé ?
Nous suivons 14 dépôts open source actifs associés à #causality (500+ étoiles), totalisant 35,256 étoiles, avec une moyenne de 2,518 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.