ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

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

章节 6: 机器学习流水线中的因果推断实践

在审视了识别和估算因果效应的进阶方法后,我们现在来处理一个实际难题:如何将这些方法嵌入 (embedding)到正常运行的机器学习 (machine learning)系统中。标准的机器学习工作流程通常优先考虑预测准确性,有时会忽视驱动结果的因果机制。这可能会限制系统支持有效决策或预测干预结果的能力。

本章将介绍将因果思考融入机器学习整个生命周期的方法。你将了解到:

  • 应用因果知识来改进特征工程和特征选择。
  • 开发考虑到因果结构或目标的机器学习模型。
  • 使用因果标准评估模型性能,例如干预效果或公平性。
  • 运用因果推断来完善A/B测试的设计和分析。
  • 监测已部署系统中的潜在因果关系变化。
  • 在MLOps框架内架构和维护因果推断组件。

目标是提供实用的策略,用以构建不仅具有预测能力,而且得到因果分析支持的机器学习系统,从而实现更可靠的干预和对系统更好的理解。

课程章节

  • 6.1 特征工程和选择中的因果原则

  • 6.2 因果关系感知模型开发

  • 6.3 运用因果思路评估机器学习模型

  • 6.4 运用因果推断改进 A/B 测试

  • 6.5 监控机器学习系统的因果稳定性

  • 6.6 为MLOps设计因果推断组件

  • 6.7 动手实践:构建因果分析驱动的管道

© 2026 ApX Machine Learning