1.国内一个武汉大学教授手下博士写的基础的因果知识课件：
http://www.liuyanecon.com/wp-content/uploads/%E7%8E%8B%E5%81%A520201022.pdf
感兴趣可以看看其他手下博士做的课件：
Causal inference reading group 2020 – 刘岩 – 宏观&金融
2.耶鲁大学教授课程全套
课件+代码+视频
代码：GitHub - paulgp/applied-methods-phd: Repo for Yale Applied Empirical Methods PHD Course
视频：https://www.youtube.com/playlist?list=PLWWcL1M3lLlojLTSVf2gGYQ_9TlPyPbiJ&themeRefresh=1
课件：applied-methods-phd/syllabus.pdf at main · paulgp/applied-methods-phd · GitHub
我看了一下内容，相当全。
3.微软开发的因果方法包(超全）
微软EconML简介：基于机器学习的Heterogeneous Treatment Effects估计 - 知乎
官方文档：
Welcome to econml’s documentation! — econml 0.14.0 documentation
4.casual ML（python包）
包含了工具变量模型，以及两个深度模型。
About Causal ML — causalml documentation
5.因果从2015年开始，结合到深度学习模型中，辅助模型auc更高
综述：https://www.its.caltech.edu/~fehardt/papers/CEP2017.pdf
一个实际应用的因果做cv的论文：https://arxiv.org/abs/1412.2309
甚至还有专门用因果解释深度模型这个领域，用的是沙普利值模型：GitHub - slundberg/shap: A game theoretic approach to explain the output of any machine learning model.
6.使用深度模型来做因果
深度神经网络中的因果推理 - 知乎
下面是一些比较细节的：
uplift model
https://towardsdatascience.com/a-quick-uplift-modeling-introduction-6e14de32bfe0
About Wayfair | Pylift: A Fast Python Package for Uplift Modeling
What is Uplift modelling and how can it be done with CausalML?
How uplift modeling works | Blogs
meta learning
21 - Meta Learners — Causal Inference for the Brave and True
xleaner https://medium.com/grabngoinfo/x-learner-uplift-model-in-python-768260a06a4a
xlearner Uplift Model:X-learner - 知乎
营销市场常见的点击归因
代码包： marketing-attribution-models · PyPI
沙普利值计算包文章来源：https://www.toymoban.com/news/detail-409514.html
Shapley Value Attribution Modeling | Kaggle文章来源地址https://www.toymoban.com/news/detail-409514.html
到了这里，关于收集一些因果推断比较好的工具包，教程的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
