2023-Causal-Inference-and-Discovery-in-Python-Molak

• 书名：Causal Inference and Discovery in Python — Unlock the Secrets of Modern Causal AI with the DoWhy, EconML, PyTorch and More
• 作者：Aleksander Molak
• 技术审稿：Nicole Königstein
• 出版社：Packt Publishing
• 出版年份：2023
• 核心主题：因果推断 + 因果发现的 Python 实战——以 DoWhy / EconML / gCastle / Causica / causal-learn / CausalBert 为主线
• 目标读者：数据科学家、ML 工程师、研究人员；需要因果方法但不想被数学吓退
• 前置知识：Python 编程、基础 ML（scikit-learn / PyTorch）、基本统计
• 相关书籍：Pearl (2009) Causality、Pearl & Mackenzie (2019) The Book of Why、Peters et al. (2017) Elements of Causal Inference、Hernán & Robins (2020) What If

章节列表

• 第1章 Causality – Hey, We Have ML：从 Simpson 悖论到因果必要性
• 第2章 Judea Pearl and the Ladder of Causation：因果阶梯 + 反事实
• 第3章 Regression, Observations, and Interventions：线性回归 vs do-operator
• 第4章 Graphical Models：DAG 基础
• 第5章 Forks, Chains, and Immoralities：d-separation + faithfulness
• 第6章 Cracking Open Causal Inference：do-calculus + back-door / front-door
• 第7章 The Four-Step Process of Causal Inference：DoWhy 4-step 框架
• 第8章 Causal Models – Assumptions and Challenges：4 大假设
• 第9章 Causal Inference and ML – Matching to Meta-learners：5 大 meta-learner
• 第10章 Causal Inference and ML – Advanced Estimators：DR / DML / TMLE / Causal Forest
• 第11章 Causal Inference and ML – Deep Learning, NLP：TARNet / SNet / CausalBert / Bayesian SC
• 第12章 Can I Have a Causal Graph, Please?：因果图 3 来源
• 第13章 Causal Discovery and ML – from Assumptions to Applications：4 大家族 + gCastle
• 第14章 Causal Discovery and ML – Advanced Deep Learning and Beyond：DECI / FCI / ENCO / ABCI
• 第15章 Epilogue：5 步项目法 + 商业案例 + 未来方向

详见 book_summary.md。