文件名称：CML-Course
文件大小：22.64MB
文件格式：ZIP
更新时间：2024-04-09 14:26:44
HTML
CML课程 标准的机器学习方法是功能强大的预测工具，但是如果不对估计问题添加其他结构，则无法将它们部署用于因果推理。本课程提供了因果机器学习的实用介绍。我们讨论了预测机器学习和因果机器学习之间的区别。我们介绍允许控制高维混杂因素的方法（双重选择过程，无偏/双重机器学习）。我们估计了政策和业务干预（因果林）的不同影响。此外，我们考虑最佳决策规则（强化学习，强盗算法）。我们通过实际的R编码会议解决现实世界中的经济和商业问题。
【文件预览】：
CML-Course-main
----.gitignore(570B)
----README.md(853B)
----binder()
--------runtime.txt(13B)
--------environment.yml(50B)
--------install.R(1KB)
--------apt.txt(28B)
----Day 2()
--------post_double_selection_tutorial.ipynb(51KB)
--------post_double_selection_solution.ipynb(118KB)
--------2_post_double_selection.pdf(324KB)
--------job_corps.csv(872KB)
--------post_double_selection_solution.html(721KB)
--------literature()
--------help files()
--------post_double_selection_tutorial.r(14KB)
----Day 3()
--------notes2.png(346KB)
--------double_machine_learning_tutorial.ipynb(2.89MB)
--------double_machine_learning_tutorial.r(15KB)
--------job_corps.csv(872KB)
--------double_machine_learning_solution.ipynb(2.89MB)
--------double_machine_learning_solution.html(3.48MB)
--------literature()
--------help files()
--------3_double_machine_learning.pdf(272KB)
--------notes.png(470KB)
----Day 4()
--------causal_forest.ipynb(2.8MB)
--------causal_forest.html(3.37MB)
--------literature()
--------fundraising.csv(1.11MB)
--------help files()
--------4_causal_forest.pdf(354KB)
--------notes.png(269KB)
--------causal_forest.r(6KB)
----Day 5()
--------5_optimal_policy.pdf(864KB)
--------literature()
----Day 1()
--------1_introduction.pdf(512KB)
--------student-mat-test.Rdata(3KB)
--------penalize_regression_tutorial.r(7KB)
--------examples lecture()
--------penalize_regression_tutorial.ipynb(153KB)
--------literature()
--------help files()
--------student-mat-train.Rdata(4KB)
--------penalized_regression.ipynb(153KB)
--------penalized_regression_solution.html(737KB)