过去10年，以深度学习为代表的机器学习方法引领了人工智能的发展，在图像、语音、文本等多个领域中取得巨大成就。从根本上来说，机器学习是一种“连接主义”方法，即通过关联驱动的方式在大量的数据中进行拟合从而总结出规律。然而机器学习的工作方式离人脑依然有相当距离，不同于机器学习需要大量的数据，人类在学习过程中只需要比较少量的信息就能掌握规律，并通过逻辑推理不断适应事物和环境的变化。

部分内容摘自知乎、《统计因果推理》和因果推理课程等，仅供个人学习使用

来自杜克大学Fan Li的简明《因果推理》课程！ Chapter 1. Introduction 引言 Chapter 2. Randomized experiments 随机实验 Chapter 2.1: Fisher's and Neyman's mode of inference Chapter 2.2: Covariate adjustment in RCT Chapter 3. Observational studies with ignorable assignments: single-time treatments Chapter 3.1. Outcome regression Chapter 3.2. Covariate balance, matching, stratification Chapter 3.3. Propensity score Chapter 3.4. Propensity score weighting: inverse probability weighting and overlap weighting Chapter 3.5. Augme

人工智人-家居设计-动态因果图用于汽油发动机故障智能诊断的理论及方法研究.pdf

从推荐买什么，看什么电影，到选择看什么新闻，关注什么人，申请什么工作，在线系统已经成为我们日常生活的重要组成部分。一个自然要问的问题是这些社会技术系统如何影响我们的行为。然而，由于这些系统的输出和人的行为之间的复杂的相互作用，确定它们对人的行为的影响是不容易的。 幸运的是，有大量关于因果推理的研究可供我们借鉴。在本教程的第一部分中，我将展示反事实推理对研究社会技术系统的价值，通过展示基于相关性的预测建模如何可能适得其反。然后，我们将讨论因果推断的不同方法，包括随机实验，自然实验，如工具变量和回归不连续，以及观察方法，如分层和匹配。在整个过程中，我们将尝试与图形模型、机器学习和过去在社会科学中的工作联系起来。 下半场将会有更多的实践。我们将通过一个实际的例子来估计一个推荐系统的因果影响，从简单到复杂的方法开始。实践练习的目标是了解不同因果推理方法的缺陷，并获得用混乱的真实世界数据进行因果推理的最佳实践。

人工智能将改变医疗健康的方方面面，包括我们管理个人健康的方式，从客户体验和临床护理到降低医疗保健成本。这本实用的书是第一本描述AI可以帮助解决有害的医疗保健问题的当前和未来用例的书。

CCKS2021金融领域事件因果关系抽取数据集.zip

和积网络与因果推断数据集.zip

[psi gopt] = dfdesign_w_lmi(phi, w, d, n); DFDESIGN_W_LMI 计算 phi(z) 的 H 无穷大最佳逆 FIR 滤波器。 所得滤波器最小化误差系统的 H 无穷范数E_w(z) = [z^(-d) - psi(z)phi(z)]w(z)。 该函数使用了基于 KYP 引理的 LMI 方法。 [输入] phi：目标系统（离散时间），SS 或 TF 格式w：加权函数，SS或TF格式d：延迟，非负数n：FIR滤波器的长度，正整数 [输出] psi：产生的逆 FIR 滤波器gopt：最优值 这是基于以下论文： M. Nagahara 和 Y. Yamamoto， 因果样条插值的 H 无穷大最优逼近， 信号处理，卷。 91，第 2 期，第 176-184 页，2011 年。

网络舆情作为社会舆情在互联网空间的映射，反过来影响着社会实体事件的发展进程。提升网络舆情处置能力，已成为管理部门的一项重要任务。分析了网络舆情的传播规律及其特点，利用系统动力学分析了网络舆论生态传播系统的驱动因素，通过因果回路图对因素之间的关系进行定性分析，并建立网络舆情驱动力模型。最后，对该模型进行仿真分析，以期提出积极管理网络舆情传播的建议。