Inicio Proyectos causalml
causalml

causalml

por uber · GitHub

Modelado de elevación e inferencia causal con algoritmos de aprendizaje automático

Ver en GitHub
En palabras simples

Estima los efectos de diferentes acciones en los resultados utilizando métodos de aprendizaje automático para una mejor toma de decisiones en campañas.

⭐ Estrellas
🍴 Ramas
🔥 Tendencias
📜 Licencia
Licencia no especificada
📅 Creado
🔄 Último commit
🏷️ Categoría
💻 Lenguaje
¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
causalml — GitHub preview card
📈 Historial de estrellas
5.94k5.90k
2026-07-042026-07-29
📈 Sigue causalml

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

Modelado de elevación e inferencia causal con algoritmos de aprendizaje automático

causalml tiene 5.9k estrellas en GitHub. Se ha bifurcado 867 veces. causalml está escrito principalmente en Python. Se desarrolla activamente desde 2019. Sus temas principales son: causal-inference, incubation, machine-learning, uplift-modeling.

Frequently asked questions

¿Qué es causalml?

Modelado de elevación e inferencia causal con algoritmos de aprendizaje automático

¿causalml es de código abierto?

causalml es un proyecto de código abierto.

¿causalml es gratis?

Sí. causalml es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿En qué lenguaje está escrito causalml?

causalml está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
OpenSourceAI badge — causalml

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=uber-causalml)](https://opensourceai.tech/project/uber-causalml.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.