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
基于分数的发现算法：GES、LiNGAM
这部分内容有帮助吗？
- A polynomial-time algorithm for learning Bayesian networks with local structure, David M. Chickering, 2002 Machine Learning, Vol. 48 (Springer US) DOI: 10.1023/A:1015696117135 - 介绍了贪婪等价搜索（GES）算法，这是一种在马尔可夫等价类中进行因果发现的方法。
- A Causal Discovery Algorithm for Linear Non-Gaussian Acyclic Models, Shohei Shimizu, Patrik O. Hoyer, Antti Hyvärinen, Aapo Tankasalo, 2006 Journal of Machine Learning Research, Vol. 7 - 本文提出了原始的LiNGAM框架，利用误差项的非高斯性来识别完整的因果DAGs。
- Elements of Causal Inference: Foundations and Learning Algorithms, Jonas Peters, Dominik Janzing, Bernhard Schölkopf, 2017 (MIT Press) DOI: 10.7551/mitpress/9780262037380.001.0001 - 一本因果推断基础概念和算法的教科书，包括与基于得分的方法以及LiNGAM所使用的识别原理相关的讨论。
- DirectLiNGAM: A direct method for learning a linear non-Gaussian acyclic model, Shohei Shimizu, Takuya Inazumi, Yasuhiro Sogawa, Akira Hyvarinen, Yoshinobu Kawahara, Takashi Washio, Patrik O. Hoyer, Kenji Bollen, 2011 Journal of Machine Learning Research, Vol. 12 (Journal of Machine Learning Research) DOI: 10.5555/2012000.2012061 - 描述了DirectLiNGAM，这是对原始LiNGAM算法的改进，它直接估计因果顺序和系数，常用于实际应用。