趋近智
高级机器学习系统中的因果推断
章节 1: 结构因果模型与识别策略
因果结构模型回顾
高级图形表示：有向无环图
干预演算规则及应用
标准条件之外的识别
因果图中循环和反馈的处理
识别假设的敏感性分析
实践：应用识别逻辑
章节 2: 高级因果发现方法
基于约束的发现算法：PC、FCI 算法的延伸
基于分数的发现算法：GES、LiNGAM
因果结构发现：使用干预数据
从异构数据中进行因果发现
评估因果发现算法表现
因果关系判定中的潜在变量处理
动手实践：实现发现算法
章节 3: 高维数据下的因果效应估计
双重机器学习用于平均治疗效果
因果森林与异质效应
CATE估计的元学习器
深度学习在效应估计中的应用
高维混杂因素的处理方法
CATE 估计器的验证与校准
实践：DML和因果森林的实现
章节 4: 应对未观测混杂与选择偏差
进阶工具变量（IV）方法
深度学习与核方法用于工具变量
回归不连续性设计 (RDD)
差中差法 (DiD) 与面板数据
调整选择偏差修正方法
近端因果推断原理
实践操作：工具变量 (IV) 与回归不连续设计 (RDD) 分析
章节 5: 时间数据与动态系统的因果推断
时间序列因果推断的难点
格兰杰因果关系：表述与局限
结构向量自回归 (SVAR)
动态治疗方案及其估计
时间序列因果发现方法
因果强化学习与离策略评估
实践：时序因果分析
章节 6: 机器学习流水线中的因果推断实践
特征工程和选择中的因果原则
因果关系感知模型开发
运用因果思路评估机器学习模型
运用因果推断改进 A/B 测试
监控机器学习系统的因果稳定性
为MLOps设计因果推断组件
动手实践：构建因果分析驱动的管道
高级图形表示：有向无环图
这部分内容有帮助吗？
- Causation, Prediction, and Search, Peter Spirtes, Clark Glymour, Richard Scheines, 2000 (MIT Press) DOI: 10.7551/mitpress/1754.001.0001 - 因果推断的基础著作，详细介绍了从观测数据中进行因果发现的方法，包括使用部分祖先图（PAGs）处理潜在混杂因素。
- Causality: Models, Reasoning, and Inference, Judea Pearl, 2009 (Cambridge University Press) - 关于结构因果模型（SCMs）和因果推断图模型的权威著作，提供了关于识别、混杂和偏差的综合理论，包括对需要高级图表示的讨论。
- Ancestral graphs, Thomas S. Richardson, Peter Spirtes, 2002 The Annals of Statistics, Vol. 30 (Institute of Mathematical Statistics) DOI: 10.1214/aos/1031689015 - 本文正式介绍了最大祖先图（MAGs）及其性质，确立了m-分离作为在存在潜在变量时条件独立性的判据。
- Elements of Causal Inference: Foundations and Learning Algorithms, Jonas Peters, Dominik Janzing, Bernhard Schölkopf, 2017 (MIT Press) - 从现代机器学习视角阐述因果推断，涵盖结构因果模型的基础概念以及复杂系统中出现的问题，这促使了对高级图模型的需求。