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
因果关系感知模型开发
这部分内容有帮助吗？
- Causality: Models, Reasoning, and Inference, Judea Pearl, 2009 (Cambridge University Press) - 理解因果图 (DAGs)、结构因果模型 (SCMs)、干预和反事实的经典教科书，对因果感知模型开发至关重要。
- Estimation and Inference of Heterogeneous Treatment Effects using Random Forests, Stefan Wager, Susan Athey, 2018 Journal of the American Statistical Association, Vol. 113 (Taylor & Francis Journals) DOI: 10.1080/01621459.2017.1319839 - 介绍了因果森林，一种通过改造随机森林来估计条件平均治疗效果 (CATEs) 的重要方法，展示了如何用反事实目标训练模型。
- Deep Structural Causal Models for Causal Inference and Prediction, Hyunseok Seo, Masoud Badiei Khuzani, Varun Vasudevan, Charles Huang, Hongyi Ren, Ruoxiu Xiao, Xiao Jia, Lei Xing, 2019 Medical Physics DOI: 10.1002/mp.13649 - 讨论了旨在直接表示和学习结构因果模型的深度学习框架和应用，为受SEM启发的架构提供了基础。