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
时间序列因果发现方法
这部分内容有帮助吗？
- Causal network reconstruction from time series: From statistics to applications, Jakob Runge, Lydia Nowack, Marlene Kretschmer, Veronika Eyring, Manfred Milinski, 2018 Proceedings of the National Academy of Sciences, Vol. 115 (National Academy of Sciences) DOI: 10.1073/pnas.1714782115 - 介绍了用于时间序列因果发现的PCMCI基础算法，详细阐述了其处理自相关性和高维性的两阶段方法。
- Discovering causality in complex systems with tigramite, Jakob Runge, 2020 Journal of Open Source Software, Vol. 5 (Open Journals) DOI: 10.21105/joss.02470 - 介绍了
tigramitePython库，一个用于应用PCMCI及其他时间序列因果发现方法的综合框架，提供了多种条件独立性测试。 - A review of causal discovery algorithms for time series data, Muhammad Malik, Shahbaz Saquib, Imtiaz Shafi, 2022 Artificial Intelligence Review, Vol. 55 (Springer Netherlands) DOI: 10.1007/s10462-021-10041-3 - 一篇近期综述文章，概述了适用于时间序列数据的各种因果发现算法，包括本节中提到的基于约束和基于评分的方法。
- Elements of Causal Inference: Foundations and Learning Algorithms, Jonas Peters, Dominik Janzing, Bernhard Schölkopf, 2017 (MIT Press) - 一本关于因果推断的基础教科书，涵盖了结构因果模型、条件独立性测试和PC算法，这些是理解PCMCI等基于约束方法的基础。