#causal-inference Repositórios
Descubra 39 repositórios ativos de código aberto no GitHub marcados com #causal-inference, acumulando um total de 78,768 estrelas (uma média de 2,019 por projeto). O líder deste tópico é py-why/dowhy, com 8,411 estrelas.
39 repositórios no total
DoWhy é uma biblioteca Python para inferência causal que suporta modelagem explícita e teste de suposições causais. DoWhy é baseado em uma linguagem unificada para inferência causal, combinando modelos gráficos causais e frameworks de resultados potenciais.
Modelagem de elevação (uplift modeling) e inferência causal com algoritmos de aprendizado de máquina
ALICE (Aprendizagem e Inteligência Automatizadas para Causa e Economia) é um projeto da Microsoft Research que visa aplicar conceitos de Inteligência Artificial à tomada de decisões econômicas. Um de seus objetivos é construir um conjunto de ferramentas que combine técnicas de aprendizado de máquina de última geração com econometria, a fim de automatizar problemas complexos de inferência causal. Até o momento, o SDK Python da ALICE (econml) implementa algoritmos de aprendizado de máquina ortogonais, como o trabalho de aprendizado de máquina duplo de
Plataforma de visualização e análise exploratória de dados automatizada de próxima geração.
Inferência Causal para os Corajosos e Verdadeiros. Uma abordagem leve, mas rigorosa, para aprender sobre estimação de impacto e causalidade.
Uma biblioteca Python que ajuda cientistas de dados a inferir causalidade em vez de observar correlação.
Repositório para o curso de métodos empíricos aplicados da Universidade de Yale para doutorado
Uma coleção de artigos clássicos e de ponta da indústria nas áreas de recomendação/publicidade/pesquisa.
Rede Neuronal Convolucional Temporal para o Método de Previsão de Fluxo de Tráfego Urbano
Tigramite é um pacote python para inferência causal com foco em dados de séries temporais. A documentação do Tigramite está em
Um template do Claude Code pronto para bifurcar, voltado à pesquisa acadêmica — artigos, análise de dados (R, Stata, Python), apresentações e ensino — com revisão multiagente, critérios de qualidade obrigatórios e protocolos de replicação. Também pode ser usado com Codex e Antigravity.
Pacotes de habilidades Claude Code/Codex específicos para periódicos, cobrindo as principais revistas — AER, QJE, Nature, Cell, Management World, Economic Research Journal e mais de 200 outras — seu caminho rápido para a publicação.
Pacote para inferência causal em grafos e em configurações pareadas. Ferramentas para recuperação da estrutura de grafos e dependências estão incluídas.
Uma lista selecionada de bibliotecas, recursos e aplicações de inferência causal.
Um novo código-base para métodos populares de Geração de Grafo de Cena (2020). Visualização e Extração de Grafo de Cena em imagens/conjuntos de dados personalizados são fornecidos. É também uma implementação em PyTorch do artigo “Unbiased Scene Graph Generation from Biased Training CVPR 2020”
Inferência e Descoberta Causal em Python pela Packt Publishing
Tradução para o Chinês de "Causal Inference for the Brave and True". Todo o código é baseado em Python, sendo aplicável a áreas como Econometria, Sociologia Quantitativa, Avaliação de Estratégias, entre outras. Autor original da versão em inglês: Matheus Facure
Gestão de redes de código aberto, monitoramento, ITOM, observabilidade e análise de segurança
Um pacote Python para análise modular de inferência causal e avaliações de modelos
Uma lista selecionada de ferramentas de IA, competências de agentes, bibliotecas e recursos para investigação, ensino e análise de políticas económicas. Mantida pela equipa OpenEcon.
Uma lista de leitura de artigos sobre causalidade para processamento de linguagem natural (PLN)
Implementação do Impacto Causal em Python Baseada no Pacote R do Google. Construído usando TensorFlow Probability.
Perguntas Frequentes
Qual é o repositório de #causal-inference mais popular no GitHub?
O projeto de código aberto de #causal-inference mais bem classificado no GitHub é py-why/dowhy, com 8,411 estrelas. DoWhy é uma biblioteca Python para inferência causal que suporta modelagem explícita e teste de suposições causais. DoWhy é baseado em uma linguagem unificada para inferência causal, combinando modelos gráficos causais e frameworks de resultados potenciais.
Quais linguagens de programação são mais usadas nos repositórios de #causal-inference?
Entre os projetos de #causal-inference mais bem classificados no GitHub, as linguagens de programação mais comuns são Python, Jupyter Notebook, R, TypeScript.
Como é calculada a classificação dos repositórios de #causal-inference?
Acompanhamos 39 repositórios ativos de código aberto marcados com #causal-inference (com mais de 500 estrelas), totalizando 78,768 estrelas e uma média de 2,019 estrelas por repositório. As classificações são atualizadas diariamente a partir da API do GitHub.