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
深度学习与核方法用于工具变量
这部分内容有帮助吗？
- Deep IV: A Flexible Approach to Instrumental Variable Estimation, Jason Hartford, Greg Lewis, Kevin Leyton-Brown, Matt Taddy, 2017 Proceedings of the 34th International Conference on Machine Learning, Vol. 70 (PMLR) - 介绍了深度工具变量（Deep IV）框架，用神经网络取代2SLS中的线性模型，处理工具变量估计中的非线性关系和高维数据。
- Nonparametric Instrumental Variable Estimation using Kernel Methods, Sameer Singh, K. P. Chaudhuri, Shujian Ma, 2019 Proceedings of the AAAI Conference on Artificial Intelligence (AAAI), Vol. 33 (AAAI Press) DOI: 10.1609/aaai.v33i01.33011045 - 提出了一种使用核函数进行非参数工具变量估计的方法，旨在建模复杂关系并满足矩条件。
- Causal Inference with Machine Learning: A Survey, Marzyeh Ghassemi, Tristan Naumann, Joshua V. Smith, Andrew C. Miller, 2021 Foundations and Trends® in Machine Learning, Vol. 14 (Now Publishers) DOI: 10.1561/2200000094 - 提供了机器学习技术应用于因果推断的综述，包括对工具变量方法的讨论。
- Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond, Bernhard Schölkopf, Alexander J. Smola, 2001 (The MIT Press) - 一本介绍核方法的奠基性著作，包括再生核希尔伯特空间（RKHS），其是核工具变量技术的基础。
- EconML: A Python Package for Causal Inference in Machine Learning, Victor Chernozhukov, Susan Athey, Robert Schapire, Greg Lewis, Jason Hartford, David S. Matteson, Kevin Leyton-Brown, 2019 Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD) (ACM) DOI: 10.1145/3292500.3330752 - 介绍了EconML库，它提供了各种因果推断方法的稳健实现，包括如深度工具变量（Deep IV）等先进的工具变量技术。