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
CATE估计的元学习器
这部分内容有帮助吗？
- Meta-Learners for Estimating Heterogeneous Treatment Effects using Supervised Learning, Sören R. Künzel, Jasjeet S. Sekhon, Peter J. Bickel, and Bin Yu, 2019 Proceedings of the National Academy of Sciences, Vol. 116 (National Academy of Sciences) DOI: 10.1073/pnas.1804597116 - 这篇基础论文介绍了 X-Learner，并为 CATE 估计中的 S-Learner 和 T-Learner 方法提供了一个全面的框架。
- Causal Inference for The Brave and True, Matheus Facure Alves, 2022 - 这是一本易于理解的在线教科书，提供了因果推断的实践示例和理论背景，包括对元学习器的详细说明。
- Estimation and Inference for Heterogeneous Treatment Effects using Causal Forests, Stefan Wager, Susan Athey, 2018 Journal of the American Statistical Association, Vol. 113 (Taylor & Francis) DOI: 10.1080/01621459.2017.1319839 - 一篇基础性工作，介绍了因果森林，这是一种用于估计异质治疗效果的非参数方法，解决了与元学习器类似的挑战。
- CausalML Documentation: Meta-Learners, CausalML Developers, 2024 - 提供了使用 Python 的 CausalML 库实现 S-Learner、T-Learner 和 X-Learner 的实际示例和 API 规范。