Git Stars Git Stars

#causal-inference Repository

Scopri 39 repository GitHub open source attivi contrassegnati con #causal-inference, che raccolgono un totale di 78,768 stelle (con una media di 2,019 stelle per progetto). Il progetto leader di questo argomento è py-why/dowhy, con 8,411 stelle.

39
Totale Repository
78,768
Totale stelle
2,019
Media Stelle/Repo

39 repository in totale

1
py-why/dowhy

DoWhy è una libreria Python per l'inferenza causale che supporta la modellazione e il testing esplicito delle assunzioni causali. DoWhy si basa su un linguaggio unificato per l'inferenza causale, che combina modelli grafici causali e framework di esiti potenziali.

py-why
⭐ 8,411 Python 👤 py-why Organization 🕐 Aggiornato 2026-11-17 📅 Creato 2018-05-31
2
uber/causalml

Modellazione uplift e inferenza causale con algoritmi di machine learning

uber
⭐ 6,048 Python 👤 uber Organization 🕐 Aggiornato 2026-10-12 📅 Creato 2019-07-09
3
py-why/EconML

ALICE (Automated Learning and Intelligence for Causation and Economics) è un progetto di Microsoft Research mirato ad applicare concetti di Intelligenza Artificiale al processo decisionale economico. Uno dei suoi obiettivi è creare un kit di strumenti che combini tecniche di machine learning all'avanguardia con l'econometria al fine di portare l'automazione a problemi complessi di inferenza causale. Ad oggi, il SDK Python di ALICE (econml) implementa algoritmi di machine learning ortogonali come il lavoro sul double machine learning di

py-why
⭐ 4,861 Jupyter Notebook 👤 py-why Organization 🕐 Aggiornato 2026-11-20 📅 Creato 2018-04-30
4
Kanaries/Rath

Prossima generazione della piattaforma automatizzata per l'analisi esplorativa dei dati e la visualizzazione.

Kanaries
⭐ 4,687 TypeScript 👤 Kanaries Organization 🕐 Aggiornato 2026-08-14 📅 Creato 2019-08-28
5
plasma-umass/coz

Coz: Profilazione causale

plasma-umass
⭐ 4,574 C 👤 plasma-umass Organization 🕐 Aggiornato 2026-11-13 📅 Creato 2013-11-22
6
matheusfacure/python-causality-handbook

Inferenza Causale per i Coraggiosi e i Veri. Un approccio leggero ma rigoroso per apprendere la stima dell'impatto e la causalità.

matheusfacure
⭐ 3,520 Jupyter Notebook 👤 matheusfacure User 🕐 Aggiornato 2026-10-06 📅 Creato 2020-04-15
7
pgmpy/pgmpy

Kit di Strumenti Python per il Ragionamento Causale e Probabilistico

pgmpy
⭐ 3,387 Python 👤 pgmpy Organization 🕐 Aggiornato 2026-11-21 📅 Creato 2013-09-20
8
rguo12/awesome-causality-algorithms

Un indice di algoritmi per imparare la causalità con i dati

rguo12
⭐ 3,304 👤 rguo12 User 🕐 Aggiornato 2026-11-16 📅 Creato 2018-09-19
9
Kensuke-Hinata/statistic

raccolta di libri, documenti e carte.

Kensuke-Hinata
⭐ 3,207 👤 Kensuke-Hinata User 🕐 Aggiornato 2026-11-15 📅 Creato 2018-10-13
10
mckinsey/causalnex

Una libreria Python che aiuta gli scienziati dei dati a inferire la causalità invece di osservare la correlazione.

mckinsey
⭐ 2,492 Python 👤 mckinsey Organization 🕐 Aggiornato 2026-08-31 📅 Creato 2019-12-12
11
paulgp/applied-methods-phd

Repo per il corso PHD di metodi empirici applicati di Yale

paulgp
⭐ 2,270 TeX 👤 paulgp User 🕐 Aggiornato 2026-04-30 📅 Creato 2021-01-13
12
tangxyw/RecSysPapers

Una raccolta di classici industriali e articoli all'avanguardia nei settori raccomandazione/pubblicità/ricerca. A collection of industry classics and cutting-edge papers in the field of recommendation/advertising/search.

tangxyw
⭐ 2,216 Python 👤 tangxyw User 🕐 Aggiornato 2026-06-11 📅 Creato 2022-08-16
13
google/CausalImpact

Un pacchetto R per l'inferenza causale nelle serie temporali

google
⭐ 1,868 R 👤 google Organization 🕐 Aggiornato 2026-03-31 📅 Creato 2014-08-08
14
lehaifeng/T-GCN

Rete Convoluzionale Grafica Temporale per la Predizione del Flusso di Traffico Urbano Metodo

lehaifeng
⭐ 1,782 Jupyter Notebook 👤 lehaifeng User 🕐 Aggiornato 2025-09-01 📅 Creato 2018-11-12
15
jakobrunge/tigramite

Tigramite è un pacchetto Python per l'inferenza causale con un focus sui dati di serie temporali. La documentazione di Tigramite è su

jakobrunge
⭐ 1,741 Jupyter Notebook 👤 jakobrunge User 🕐 Aggiornato 2026-01-14 📅 Creato 2017-05-15
16
pedrohcgs/claude-code-my-workflow

Un template di Claude Code pronto da forkare per la ricerca accademica — articoli, analisi dei dati (R, Stata, Python), presentazioni e didattica — con revisione multiagente, controlli di qualità obbligatori e protocolli di replicazione. È utilizzabile anche con Codex e Antigravity.

pedrohcgs
⭐ 1,729 HTML 👤 pedrohcgs User 🕐 Aggiornato 2026-11-07 📅 Creato 2026-02-06
17
py-why/causal-learn

Scoperta causale in Python. Imparare la causalità dai dati.

py-why
⭐ 1,720 Python 👤 py-why Organization 🕐 Aggiornato 2026-09-04 📅 Creato 2020-10-11
19
brycewang-stanford/Awesome-Journal-Skills

Pacchetti di competenze Claude Code/Codex specifici per riviste, che coprono le principali pubblicazioni — AER, QJE, Nature, Cell, Management World, Economic Research Journal e oltre 200 altre — la tua corsia preferenziale per la pubblicazione.

brycewang-stanford
⭐ 1,440 Stata 👤 brycewang-stanford User 🕐 Aggiornato 2026-09-27 📅 Creato 2026-05-25
20
FenTechSolutions/CausalDiscoveryToolbox

Pacchetto per l'inferenza causale in grafi e nelle impostazioni pairwise. Sono inclusi strumenti per il recupero della struttura del grafo e delle dipendenze.

FenTechSolutions
⭐ 1,242 Python 👤 FenTechSolutions Organization 🕐 Aggiornato 2025-10-13 📅 Creato 2017-05-31
21
pymc-labs/CausalPy

Un pacchetto Python per l'inferenza causale in contesti quasi-sperimentali

pymc-labs
⭐ 1,215 Python 👤 pymc-labs Organization 🕐 Aggiornato 2026-11-21 📅 Creato 2022-09-21
22
matteocourthoud/awesome-causal-inference

Un elenco curato di librerie, risorse e applicazioni per l'inferenza causale.

matteocourthoud
⭐ 1,214 👤 matteocourthoud User 🕐 Aggiornato 2026-04-21 📅 Creato 2023-05-04
23
KaihuaTang/Scene-Graph-Benchmark.pytorch

Una nuova codebase per i popolari metodi di generazione del grafo di scene (2020). Vengono fornite visualizzazione ed estrazione del grafo di scene su immagini/set di dati personalizzati. È anche un'implementazione PyTorch del paper "Unbiased Scene Graph Generation from Biased Training CVPR 2020"

KaihuaTang
⭐ 1,198 Jupyter Notebook 👤 KaihuaTang User 🕐 Aggiornato 2026-01-06 📅 Creato 2020-02-20
24
huawei-noah/trustworthyAI

Progetti relativi all'IA affidabile

huawei-noah
⭐ 1,153 Python 👤 huawei-noah Organization 🕐 Aggiornato 2026-09-21 📅 Creato 2020-03-19
25
grf-labs/grf

Foreste Casuali Generalizzate

grf-labs
⭐ 1,121 C++ 👤 grf-labs Organization 🕐 Aggiornato 2026-04-30 📅 Creato 2016-08-12
26
akelleh/causality

Strumenti per l'analisi causale

akelleh
⭐ 1,080 Python 👤 akelleh User 🕐 Aggiornato 2025-03-11 📅 Creato 2015-05-26
27
PacktPublishing/Causal-Inference-and-Discovery-in-Python

Inferenza Causale e Scoperta in Python di Packt Publishing

PacktPublishing
⭐ 1,051 Jupyter Notebook 👤 PacktPublishing Organization 🕐 Aggiornato 2026-07-15 📅 Creato 2022-04-25
28
xieliaing/CausalInferenceIntro

La versione cinese tradotta di Causal Inference for the Brave and True. Tutto il codice è basato su Python ed è applicabile a campi come l'econometria, la sociologia quantitativa, la valutazione delle strategie, ecc. Autore originale della versione inglese: Matheus Facure

xieliaing
⭐ 968 Jupyter Notebook 👤 xieliaing User 🕐 Aggiornato 2026-03-16 📅 Creato 2021-11-07
29
carverauto/serviceradar

Gestione di rete open source, monitoraggio, ITOM, osservabilità e analisi della sicurezza

carverauto
⭐ 937 Elixir 👤 carverauto Organization 🕐 Aggiornato 2026-11-21 📅 Creato 2025-01-13
30
BiomedSciAI/causallib

Un pacchetto Python per l'analisi modulare di inferenza causale e valutazioni di modelli

BiomedSciAI
⭐ 836 Python 👤 BiomedSciAI Organization 🕐 Aggiornato 2026-05-26 📅 Creato 2019-04-04
31
DoubleML/doubleml-for-py

DoubleML - Double Machine Learning in Python

DoubleML
⭐ 801 Python 👤 DoubleML Organization 🕐 Aggiornato 2026-11-18 📅 Creato 2020-09-09
32
hanlulong/awesome-ai-for-economists

Una raccolta selezionata di strumenti di IA, competenze degli agenti, librerie e risorse per la ricerca economica, l’insegnamento e l’analisi delle politiche. Curata dal team OpenEcon.

hanlulong
⭐ 722 👤 hanlulong User 🕐 Aggiornato 2026-11-07 📅 Creato 2026-02-21
33
zhijing-jin/CausalNLP_Papers

Una lista di lettura per articoli sulla causalità per l'elaborazione del linguaggio naturale (NLP)

zhijing-jin
⭐ 697 👤 zhijing-jin User 🕐 Aggiornato 2026-04-27 📅 Creato 2021-02-24
34
xunzheng/notears

DAGs con NO TEARS: Ottimizzazione Continua per l'Apprendimento della Struttura

xunzheng
⭐ 695 Python 👤 xunzheng User 🕐 Aggiornato 2026-05-26 📅 Creato 2018-10-16
35
WillianFuks/tfcausalimpact

Implementazione di Python Causal Impact basata sul pacchetto R di Google. Costruito utilizzando TensorFlow Probability.

WillianFuks
⭐ 683 Python 👤 WillianFuks User 🕐 Aggiornato 2026-09-20 📅 Creato 2020-08-17
36
laurencium/Causalinference

Inferenza causale in Python

laurencium
⭐ 581 Python 👤 laurencium User 🕐 Aggiornato 2026-09-26 📅 Creato 2014-06-04
37
MRCIEU/TwoSampleMR

Pacchetto R per eseguire MR a 2 campioni utilizzando il database IEU OpenGWAS

MRCIEU
⭐ 563 R 👤 MRCIEU Organization 🕐 Aggiornato 2026-11-10 📅 Creato 2016-01-12
39
cdt15/lingam

Pacchetto Python per la scoperta causale basato su LiNGAM.

cdt15
⭐ 511 Python 👤 cdt15 Organization 🕐 Aggiornato 2026-11-06 📅 Creato 2019-08-22

Domande frequenti

1

Qual è il repository #causal-inference più popolare su GitHub?

Il progetto open source #causal-inference più alto in classifica su GitHub è py-why/dowhy, con 8,411 stelle. DoWhy è una libreria Python per l'inferenza causale che supporta la modellazione e il testing esplicito delle assunzioni causali. DoWhy si basa su un linguaggio unificato per l'inferenza causale, che combina modelli grafici causali e framework di esiti potenziali.

2

Quali linguaggi di programmazione sono più utilizzati nei repository #causal-inference?

Tra i progetti #causal-inference più alti in classifica su GitHub, i linguaggi di programmazione più comuni sono Python, Jupyter Notebook, R, TypeScript.

3

Come viene calcolata la classifica dei repository #causal-inference?

Monitoriamo 39 repository open source attivi contrassegnati con #causal-inference (500+ stelle), per un totale di 78,768 stelle e una media di 2,019 stelle per repository. Le classifiche vengono aggiornate quotidianamente tramite l’API di GitHub.