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
为MLOps设计因果推断组件
这部分内容有帮助吗？
- Microsoft EconML: A Python Package for Estimating Heterogeneous Treatment Effects, Edward H. Kennedy, Adam N. Bloniarz, Michael Oberst, Andrew Petersen, Christina Winkler, Jean-Luc Bouchard, Tobias Schnabel, 2022 Proceedings of Machine Learning Research, Vol. 164 (Proceedings of Machine Learning Research) DOI: 10.48550/arXiv.2201.07738 - 介绍了EconML库，提供基于机器学习的异质处理效应估计方法，适用于集成库方法和双重机器学习。
- Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications, Chip Huyen, 2022 (O'Reilly Media) - 提供了设计、构建和维护机器学习系统的指南，包括与集成因果组件相关的架构模式、数据管理和MLOps生命周期实践。
- Causal Inference What If, Miguel A. Hernán and James M. Robins, 2020 (Chapman and Hall/CRC) - 一本解释因果推断概念、识别策略和基本假设的教科书，有助于理解因果系统的有效性检查和监控。在线版本。