因果推断

microsoft/EconML ALICE（因果关系和经济学的自动学习和智能）是微软研究项目，旨在将AI概念应用于经济决策。 其目标之一是构建一个工具包，将最先进的机器学习技术与计量经济学相结合，以便将自动化应用于复杂的因果关系

Microsoft/dowhy 用于因果推理的 Python 库，它支持因果假设的显式建模和测试。 DoWhy 基于因果推理的统一语言，结合了因果图模型和潜在结果框架。

FenTechSolutions/CausalDiscoveryToolbox 图形和成对设置中的因果推断包。 包括用于图结构恢复和依赖关系的工具。

uber/causalml 使用机器学习算法进行提升建模和因果推理

erdogant/bnlearn 贝叶斯网络的图形结构、参数学习、推理和采样方法的 Py包。

rguo12/awesome-causality-algorithms 用数据学习因果关系的算法索引

gcastle 华为诺亚方舟实验室自研的因果结构学习工具链，主要的功能包括：数据生成及处理；因果图构建: 包含了主流的因果学习算法以及最近兴起的基于梯度的因果结构学习算法；因果评价: 提供因果结构学习评价指标，包括F1, SHD, FDR, TPR, FDR, NNZ等。

cmu-phil/causal-learn 用于因果发现的 python 包，它实现了经典和最先进的因果发现算法，它是Tetrad的 Python 翻译和扩展。

DataCanvasIO/YLearn 因果学习算法工具包，支持因果学习任务中的各类相关任务，从因果效应识别（causal effect idenfitication），到因果效应估计（causal effect estimation），到因果发现（causal discovery）等等，都可以通过YLearn实现。

huawei-noah/trustworthyAI 基于图自编码器的因果结构学习模型

wanyu-lin/ICML2021-Gem 针对图神经网络的通用因果解释方法

econometric/CausalitySlides 西雅图大学因果推理课程的幻灯片

pgmpy/pgmpy 用于学习（结构和参数）、推理（概率和因果）以及贝叶斯网络模拟的 Py库。

quantumblacklabs/causalnex 可帮助数据科学家推断因果关系而不是观察相关性的Py 库。

google/CausalImpact 用于时间序列中因果推理的 R 包

quantumblacklabs/causalnex “使用贝叶斯网络进行因果推理的工具包。”利用贝叶斯网络来识别数据中的因果关系，以便我们可以从分析中制定正确的干预措施。 与基于模式识别和相关性分析的传统机器学习方法相比，利用贝叶斯网络更直观地描述因果关系。 CausalNex 旨在简化因果关系和反事实分析的端到端流程。

fulifeng/Causal_Reading_Group 不定期更新有关机器学习+因果论的论文列表，同时也会在每周内讨论NExT++(NUS)和LDS(USTC)之间的相关论文。