#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 repository in totale
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.
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
Prossima generazione della piattaforma automatizzata per l'analisi esplorativa dei dati e la visualizzazione.
Inferenza Causale per i Coraggiosi e i Veri. Un approccio leggero ma rigoroso per apprendere la stima dell'impatto e la causalità.
Una libreria Python che aiuta gli scienziati dei dati a inferire la causalità invece di osservare la correlazione.
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.
Rete Convoluzionale Grafica Temporale per la Predizione del Flusso di Traffico Urbano Metodo
Tigramite è un pacchetto Python per l'inferenza causale con un focus sui dati di serie temporali. La documentazione di Tigramite è su
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.
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.
Pacchetto per l'inferenza causale in grafi e nelle impostazioni pairwise. Sono inclusi strumenti per il recupero della struttura del grafo e delle dipendenze.
Un elenco curato di librerie, risorse e applicazioni per l'inferenza causale.
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"
Inferenza Causale e Scoperta in Python di Packt Publishing
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
Gestione di rete open source, monitoraggio, ITOM, osservabilità e analisi della sicurezza
Un pacchetto Python per l'analisi modulare di inferenza causale e valutazioni di modelli
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.
Una lista di lettura per articoli sulla causalità per l'elaborazione del linguaggio naturale (NLP)
Implementazione di Python Causal Impact basata sul pacchetto R di Google. Costruito utilizzando TensorFlow Probability.
Domande frequenti
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.
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.
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.