Часто рассказываю про причинно-следственный анализ, он же causal inference. Просят ссылок - отправляю один и тот же набор. Пишите, если у вас есть чем дополнить этот список.

Учебники

• Causal Inference: What If, Miguel A. Hern´an, James M. Robins
• Код к книге Causal Inference: What If
• A First Course in Causal Inference, Peng Ding
• Causal Inference for The Brave and True, перевод на русский скоро выйдет в ДМК Пресс
• Causal Inference in Python: Applying Causal Inference in the Tech Industry - автор не выложил ее в открытый доступ, но у нее есть перевод на русский.
• Introduction to Causal Inference (ICI) from a Machine Learning Perspective Brady Neal.
• The Effect Nick Huntington-Klein

Видео (Датафесты)

• https://ods.ai/tracks/reliable_ml_ab_testing-causal_inference_meetup
• https://ods.ai/tracks/interpretable-ml-df2021
• https://ods.ai/tracks/causal-inference-in-ml-df2020
• https://ods.ai/tracks/df21-megafon
• https://ods.ai/tracks/mckinsey-digital-df2020

Статьи:

• Причинно-следственный анализ в машинном обучении
• Причинно-следственный анализ в машинном обучении: итоги 2021 г
• Causal analysis with PyMC: Answering "What If?" with the new do operator - PyMC Labs
• Using Causal Inference to Improve the Uber User Experience
• Estimating long-term effects when only short-run experiments are available

Библиотеки:

• ChiRho - causal modeling расширение для языка вероятностного программирования Pyro. Есть статья.
• DoWhy is a Python library for causal inference that supports explicit modeling and testing of causal assumptions.
• EconML is a Python package for estimating heterogeneous treatment effects from observational data via machine learning.
• Causal ML: A Python Package for Uplift Modeling and Causal Inference with ML
• List of Causal Libraries от Григория Чернова
• CausalPy Байесовские модели для Causal Inference
• HypEx: Advanced Causal Inference and AB Testing Toolkit
• causalnex: A toolkit for causal reasoning with Bayesian Networks

Люди

• Ирина Голощапова и канал #ReliableML
• Григорий Чернов и его обзор на митапе ReliableML

Комментарий Григория Чернова:

я бы добавил структуры. в CI очень разные заходы есть , например для экономистов я рекомендую

• https://www.causalconversations.com/post/frt/
• https://www.causalconversations.com/post/randomization-based-inference/
• https://www.causalconversations.com/post/po-introduction/
• chapter 2 https://www.bradyneal.com/Introduction_to_Causal_Inference-Dec17_2020-Neal.pdf
• https://mattblackwell.github.io/gov2003-f21-site/files/03_ate_inference_handout.pdf

вообще начинать с модели Рубина. И это обычно рекомендованный порядок чтения.

Отличная обзорная лекция (https://www.youtube.com/watch?v=M2lL2gcLU-k) по причинно-следственному выводу от Лиззи Сильвер (дата-аналитика WSP (https://www.wsp.com/en-za/)) в рамках недавно прошедшей конференции PyCon AU 2024 (https://pretalx.com/pycon-au-2024/schedule/). В лекции Лиззи кратко рассказывает о причинно-следственных связях, а после проводит обзор нескольких программных пакетов python для построение таких связей: * py-tetrad (https://github.com/cmu-phil/py-tetrad) * (https://causal-learn.readthedocs.io/en/latest/) causal-learn (https://causal-learn.readthedocs.io/en/latest/) * (https://causal-learn.readthedocs.io/en/latest/) tigramite (https://jakobrunge.github.io/tigramite/) * (https://causal-learn.readthedocs.io/en/latest/) causalnex (https://causalnex.readthedocs.io/en/latest/) * (https://fentechsolutions.github.io/CausalDiscoveryToolbox/html/index.html) (https://causal-learn.readthedocs.io/en/latest/) cdt (causal discovery toolbox) (https://fentechsolutions.github.io/CausalDiscoveryToolbox/html/index.html)

Пакеты частично перекрываются, но имеют разные акценты: каждый реализует по крайней мере один алгоритм, не охватываемый другими пакетами, что делает их полезными в разных ситуациях. Репозиторий лекции здесь (https://github.com/lizziesilver/pycon24-causal-discovery/tree/main).