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
特征工程和选择中的因果原则
这部分内容有帮助吗？
- Causal Inference: What If, Miguel A. Hernán and James M. Robins, 2020 (Boca Raton: Chapman & Hall/CRC) - 这本综合性教材全面介绍了因果推断，涵盖了有向无环图（DAGs）、混杂识别、选择偏倚（包括对撞机）和中介，这些都是因果特征管理的基础。
- Elements of Causal Inference: Foundations and Learning Algorithms, Jonas Peters, Dominik Janzing, and Bernhard Schölkopf, 2017 (The MIT Press) DOI: 10.7551/mitpress/9780262037310.001.0001 - 本书为因果推断提供了理论背景，侧重于其与机器学习的联系。它详细介绍了因果图、混杂因素和因果发现原则，这些都与理解特征选择的数据生成过程有关。
- Proximal Causal Learning: Principles and Design, Longqi Wang, Eric J. Tchetgen Tchetgen, Max G'Sell, Susan Athey, Stefan Wager, Zhiwei Qi, Zhenyu Zhang, Bo Zhang, and Xiang Zhou, 2023 Journal of Machine Learning Research, Vol. 24 DOI: 10.55982/jmlr.2023.22.0941 - 这篇期刊文章提供了邻近因果推断的框架和综述，这是一种在存在未观察到的混杂因素时使用代理变量估计因果效应的方法。该部分明确提到了这项技术。