awesome causal inference

การอนุมานสาเหตุที่ยอดเยี่ยม

รายการแหล่งข้อมูลการอนุมานเชิงสาเหตุที่ยอดเยี่ยมที่คัดสรรแล้ว
เป้าหมายของรายการนี้คือเพื่อเป็นจุดเริ่มต้นในการทำความคุ้นเคยกับสาเหตุ

สารบัญ

• หนังสือ

• หลักสูตร

• วิดีโอและการบรรยาย

• เครื่องมือ

---

หนังสือ

1. หนังสือแห่งเหตุผล โดย Judea Pearl, Dana Mackenzie
2. หนังสือการอนุมานสาเหตุ (What If) โดย Miguel Hernán, James Robins ดาวน์โหลดฟรี
3. การอนุมานเชิงสาเหตุในสถิติ: ไพรเมอร์ โดย Judea Pearl, Madelyn Glymour, Nicholas P. Jewell
4. Elements of Causal Inference: Foundations and Learning Algorithms โดย Jonas Peters, Dominik Janzing และ Bernhard Schölkopf ดาวน์โหลดฟรี
5. ข้อโต้แย้งและการอนุมานเชิงสาเหตุ: วิธีการและหลักการวิจัยทางสังคมโดย Stephen L. Morgan, Christopher Winship
6. หนังสือการอนุมานเชิงสาเหตุโดยHernán MA, Robins JM ดาวน์โหลดฟรี
7. สาเหตุ: แบบจำลอง การใช้เหตุผล และการอนุมาน โดย จูเดีย เพิร์ล
8. การอนุมานเชิงสาเหตุสำหรับสถิติ สังคม และวิทยาศาสตร์ชีวการแพทย์: บทนำโดย Guido W. Imbens และ Donald B. Rubin
9. การอนุมานเชิงสาเหตุ: The Mixtape โดย Scott Cunningham ดาวน์โหลดฟรี
10. การอนุมานเชิงสาเหตุสำหรับวิทยาศาสตร์ข้อมูล โดย Aleix Ruiz de Villa

---

หลักสูตร

1. ข้อมูลเบื้องต้นเกี่ยวกับการอนุมานเชิงสาเหตุ (Fall2020) (ฟรี)

2. หลักสูตรความผิดพลาดในเชิงสาเหตุ: การอนุมานผลกระทบเชิงสาเหตุจากข้อมูลเชิงสังเกต (ฟรี)

3. การอนุมานเชิงสาเหตุด้วย R - บทนำ (ฟรี)

4. Causal ML Mini Course (ฟรี)

---

วิดีโอและการบรรยาย

1. การบรรยายเรื่องสาเหตุ: 4 ส่วนโดย Jonas Peters
2. สู่การเรียนรู้การเสริมกำลังเชิงสาเหตุ (CRL) - ICML'20 - ตอนที่ 1 โดย Elias Bareinboim
3. สู่การเรียนรู้การเสริมกำลังเชิงสาเหตุ (CRL) - ICML'20 - ตอนที่ II โดย Elias Bareinboim
4. เกี่ยวกับรากฐานเชิงสาเหตุของ AI โดย Elias Bareinboim
5. จูเดียเพิร์ล: การใช้เหตุผลเชิงสาเหตุ การโต้แย้ง และเส้นทางสู่ AGI | Lex Fridman Podcast #56 โดย Judea Pearl และ Lex Fridman
6. การประชุมเชิงปฏิบัติการ NeurIPS 2018 เกี่ยวกับการเรียนรู้เชิงสาเหตุ
7. Bootcamp การอนุมานสาเหตุโดย Matt Masten

---

เครื่องมือ

1. ทำทำไม | ทำให้การอนุมานเชิงสาเหตุเป็นเรื่องง่าย (Python)
2. Ananke: โมดูลสำหรับการอนุมานเชิงสาเหตุ (Python)
3. Causal ML: แพ็คเกจสำหรับการสร้างแบบจำลองการยกระดับและการอนุมานเชิงสาเหตุด้วย ML (Python)
4. CausalNex: ชุดเครื่องมือสำหรับการให้เหตุผลเชิงสาเหตุด้วย Bayesian Networks (Python)
5. pgmpy: Python Library สำหรับการเรียนรู้ (โครงสร้างและพารามิเตอร์) และการอนุมาน (ทางสถิติและเชิงสาเหตุ) ในเครือข่ายแบบเบย์