MDP
_不确定世界的决策方法/1.png)
马可夫决策过程( Markov Decision Processes):不确定世界的决策方法
今天来学习一下马可夫决策过程，以下简称MDP。 现在考虑一个问题，如上图所示，机器人前面有一堆火，而它需要去取火那边的钻石，它如何才能取到那颗钻石。 下面是一张俯视图：
Goal Directed Task
/2.png)
以图片为目标的视觉强化学习 -- 代码解析上篇(rlkit安装及部分代码及函数的解析和使用)
之前有讲过一篇论文，今天来讲讲它的代码： 论文解析的链接是：以图片为目标的视觉强化学习 这篇研究以及这篇研究的后续研究，源代码都有公开，我们的目标是把这个库都解析一遍，感兴
以图片为目标的视觉强化学习
今天说一下发表于NIPS 2018的一篇文章，以图片为目标的视觉强化学习。 为了更直观的了解一下这篇论文解决的问题，可以看一下这个链接里的视频demo: https://sit
换个思路实现人工智能: 在视觉环境中用因果归纳完成目标导向的任务——策略学习模型
上篇：换个思路实现人工智能: 在视觉环境中用因果归纳完成目标导向的任务——因果归纳模型 系列第一篇：换个思路实现人工智能: 在视觉环境中用因果归纳完成目标导向的任务(上)
换个思路实现人工智能: 在视觉环境中用因果归纳完成目标导向的任务——因果归纳模型
上篇：换个思路实现人工智能: 在视觉环境中用因果归纳完成目标导向的任务——生成数据 上上篇：换个思路实现人工智能: 在视觉环境中用因果归纳完成目标导向的任务(上) 今天我
换个思路实现人工智能: 在视觉环境中用因果归纳完成目标导向的任务——生成数据
上篇：换个思路实现人工智能: 在视觉环境中用因果归纳完成目标导向的任务(上) 今天我们来说一说《CAUSAL INDUCTION FROM VISUAL OBSERVATIONS
/3.png)
换个思路实现人工智能: 在视觉环境中用因果归纳完成目标导向的任务(上)
能让机器拥有智慧的，可能既不是机器学习，也不是深度学习。 今天我们来说一说这篇文章： 什么是因果，《The Book of Why》中举了两个例子，公鸡打鸣
Causality
D-separation，d-connection
这篇介绍一个颇复杂的概念，d-separation，关于图和因果关系的一个小概念，逻辑有点绕。 关于这个概念的前因后果可以看这个链接：https://www.andrew.cmu.e
MIT Causality Course
MIT因果迷你课笔记 — 因果归纳和机器学习之Domain Adaptation
系列首篇：MIT因果迷你课笔记 —— 相关和因果 上篇：MIT因果迷你课笔记 — 因果归纳和机器学习之强化学习 这是这门课最后一部分的内容，因果归纳和机器学习。 总共分四个部分，
MIT因果迷你课笔记 — 因果归纳和机器学习之强化学习
系列首篇：MIT因果迷你课笔记 —— 相关和因果 上篇：MIT因果迷你课笔记 — 因果归纳和机器学习之half-sibling regression 这是这门课最后一部分的内容，因果归纳和
MIT因果迷你课笔记 — 因果归纳和机器学习之half-sibling regression
系列首篇：MIT因果迷你课笔记 —— 相关和因果 上篇：MIT因果迷你课笔记 — 因果归纳和机器学习之半监督学习 这是这门课最后一部分的内容，因果归纳和机器学习。 总共分四个部分
MIT因果迷你课笔记 — 因果归纳和机器学习之半监督学习
系列首篇：MIT因果迷你课笔记 —— 相关和因果 上篇：MIT因果迷你课笔记 —— 基于不变性的因果预测（invariant causal prediction） 这是这门课最后一部分的内
MIT因果迷你课笔记 —— 基于不变性的因果预测（invariant causal prediction）
系列首篇：MIT因果迷你课笔记 —— 相关和因果 上篇：MIT因果迷你课笔记 —— 因果归纳模型的评估方式（SHD和SID） 这篇是发现因果关系的最后一篇，也是这里要提的最后一个发现因果关
MIT因果迷你课笔记 —— 因果归纳模型的评估方式（SHD和SID）
系列首篇：MIT因果迷你课笔记 —— 相关和因果 上篇：MIT因果迷你课笔记 —— 发现因果关系3(多变量) 如何评估因果模型？ 如何评估你的因果归纳模型？这个问题转换一下可以是如
/3.png)
MIT因果迷你课笔记 —— 发现因果关系3(多变量)
系列首篇：MIT因果迷你课笔记 —— 相关和因果 上篇：MIT因果迷你课笔记 —— 发现因果关系2(restricted structural causal model) 这节继续讲 restri
/2.png)
MIT因果迷你课笔记 —— 发现因果关系2(restricted structural causal model)
系列首篇：MIT因果迷你课笔记 —— 相关和因果 上篇：MIT因果迷你课笔记 —— 发现因果关系1 上篇中，我们提到了一些方法和假设，可以从数据分布中解析出因果关系，比如Causal Ma
MIT因果迷你课笔记 —— 发现因果关系1
上上篇：MIT因果迷你课笔记 —— 相关和因果 上篇：MIT因果迷你课笔记 —— 因果语言和因果推理 在这门课中，因果模型的形成主要包含因果关系的学习和发现(causal learning
MIT因果迷你课笔记 —— 因果语言和因果推理
一、分布和因果图 例1. 海拔和温度 假设，海拔和温度的分布及因果关系是已知的，且如下图所示： 海拔和温度存在因果关系，平均每上升100米，温度下降0.6摄氏度。上图
Loss Function
的设计/28.png)
ArcFace，CosFace，SphereFace，三种人脸识别算法的损失函数(Loss Function)的设计
最近看了点人脸识别算法，发现ArcFace，CosFace，SphereFace的损失函数（Loss Function）设计得非常有意思，且设计理念都是相似的，因此今天就记一篇损失函数的设计。
Cross Entropy Loss
交叉熵度量的是两个概率分布的差异。 要理解交叉熵，有很多小概念需要理解。 信息量，一个事件发生的概率越大，事件发生携带的信息量越小，发生的概率越小，事件发生携带的信息量越大
Stock
/1.jpeg)
美股资料收集(Python)
声明： 这篇笔记和参考均不构成任何投资建议哦。 本来这应该是一篇读书笔记，要翻译整理课程‘Nick McCullum, Algorithmic Trading Using Pyth
![Kaggle比赛系列：[Two Sigma] Using News to Predict Stock Movements](/assets/images/Kaggle比赛系列：[Two Sigma] Using News to Predict Stock Movements/2.png)
Kaggle比赛系列：[Two Sigma] Using News to Predict Stock Movements
不想学习的时候，不如想想怎么发财 这是一个和实现财富自由很接近的Kaggle比赛，通过新闻预测股价。 发起的公司叫Two Sigma，看公司图标： 这个名字，
Face Recognition
ArcFace，CosFace，SphereFace，三种人脸识别算法的损失函数(Loss Function)的设计
最近看了点人脸识别算法，发现ArcFace，CosFace，SphereFace的损失函数（Loss Function）设计得非常有意思，且设计理念都是相似的，因此今天就记一篇损失函数的设计。
Math
Kaggle比赛系列：Conway's Reverse Game of Life 2020
Conway是一位数学家，John Horton Conway，活跃于有限群论，结论，数论，组合博弈论和编码论。 他还为休闲数学的许多分支做出了贡献，最著名的是1970年，细胞自动机（cel
Game
Kaggle比赛系列：Conway's Reverse Game of Life 2020
Conway是一位数学家，John Horton Conway，活跃于有限群论，结论，数论，组合博弈论和编码论。 他还为休闲数学的许多分支做出了贡献，最著名的是1970年，细胞自动机（cel
Graph Network
关系归纳偏置，深度学习，和图网络
开个新坑。 DeepMind，Google Brain，MIT，University of Edinburgh，这阵容，不能不看。 这篇略有些不同，讨论的不是一个方法，
UC Berkeley CS294-158
/1.png)
UC Berkeley非监督学习--Implicit Models -- GANs (上)
翻译整理一下UC Berkeley非监督学习的课程。这篇翻译第五六讲Implicit Models – GANs。分三篇：上，中，下。 这个课程总共十二讲，官方链接： http
UC Berkeley非监督学习--Latent Variable Models -- VAE（潜变量模型--VAE）
翻译整理一下UC Berkeley非监督学习的课程。这篇翻译第四讲Latent Variable Models – VAE。 这个课程总共十二讲，官方链接： https://s
UC Berkeley非监督学习--流模型（Flow Models）
翻译整理一下UC Berkeley非监督学习的课程。这篇翻译第三讲Flow Models，流模型。 这个课程总共十二讲，官方链接： https://sites.google.c
UC Berkeley非监督学习--自回归模型
想系统学习一下生成网络，开个新坑，翻译整理一下UC Berkeley非监督学习的课程。这篇翻译第二讲Autoregressive Models，自回归模型。 这个课程总共十二讲，
UC Berkeley非监督学习--介绍
想系统学习一下生成网络，开个新坑，翻译整理一下UC Berkeley非监督学习的课程。 这个课程总共十二讲，官方链接： https://sites.google.com/vie
自监督学习（Self Supervised Learning）
今天来说一说自监督学习，根据Yann LeCun的报告，这是一类可以预测未来，回溯过去，补缺查漏的算法，是不是很有吸引力。 首先我们来了解一下这位科学家 Yann LeCun，看人先
Writing
论文写作之Reference整理规范
咱写论文，每次都要整个Reference，每个期刊会议，规矩都会稍稍不一样，好在他们都会发指引文档。 这里就整理点基本的规范，统一的规则。每次可以照着找找自己的茬。这里不讲bib，l
ViT
 解析/2.png)
Facebook DeiT(Data-efficient Image Transformers) 解析
今天看Facebook AI的DeiT。比起Moco v3训练出来的模型，DeiT胜在模型小，训练和推理都更加迅速。且精准度还有了很大提高。 迅速到什么程度呢？用一个8-GPU服
的训练经验(Moco v3) -- Moco中的ViT/1.png)
Facebook自监督学习Visual Transformers(ViT)的训练经验(Moco v3) -- Moco中的ViT
系列首篇：自监督学习Visual Transformers(ViT)的训练经验(Moco v3) – 论文解析 系列上篇：Facebook自监督学习Visual Transforme
原理及代码解析/1.png)
ViT (Vision Transformer)原理及代码解析
今天我们来详细了解一下Vision Transformer。基于timm的代码。 1. Patch Embedding Transformer原本是用来做NLP的工作的，所以ViT的首
的训练经验(Moco v3) -- 训练代码解析/3.png)
Facebook自监督学习Visual Transformers(ViT)的训练经验(Moco v3) -- 训练代码解析
我们来讲Moco v3的代码。 论文的主要内容，参考系列首篇：自监督学习Visual Transformers(ViT)的训练经验(Moco v3) – 论文解析 官方
的训练经验(Moco v3) -- 论文解析/6.png)
自监督学习Visual Transformers(ViT)的训练经验(Moco v3) -- 论文解析
之前讲过一篇自监督学习：自监督学习（Self Supervised Learning），里面有提到几种把图像转成通用的embedding的方式，有CPC, SimCLR, 还有Moco。今天来
Stanford CS224N
Stanford CS224N笔记：词向量和词义（Word Vectors and Word Senses）
想系统学一下NLP，所以再开个新坑，如果有天我累死了，一定不要奇怪，都是自找的 一不小心写得小作文了，文章里不会所有概念都仔细说，但尽量会给参考链接，会对视频课程做一些延申。
GiantMIDI-Piano
钢琴曲转谱（Solo Piano Transcription）
今天来看一篇钢琴琴谱翻译的文章，出自ByteDance字节跳动，Giant-Piano（GiantMIDI-Piano：字节跳动发布的大型古典钢琴乐MIDI数据集）采用的转谱模型就是这个：
GiantMIDI-Piano：字节跳动发布的大型古典钢琴乐MIDI数据集
机器学习或深度学习的研究常常会用到一些公开数据集，这里呢，为大家介绍一个公开的古典钢琴乐的MIDI数据集。 这是字节跳动（ByteDance）的项目，项目地址： https:/
Distillation
Facebook DeiT(Data-efficient Image Transformers) 解析
今天看Facebook AI的DeiT。比起Moco v3训练出来的模型，DeiT胜在模型小，训练和推理都更加迅速。且精准度还有了很大提高。 迅速到什么程度呢？用一个8-GPU服
Crawler
如何抓取一个微信公众号的所有文章（Python）下篇
声明：基本步骤和核心方法均参考[1]，[2]，细节有大不同，这篇着重于如何将抓取到的文章用markdown的格式保存下来。 1. 上篇中已经抓到了公众号的所有文章的题目和链接，下篇直接读入： im
如何抓取一个微信公众号的所有文章（Python）上篇
声明：基本步骤和核心方法均参考[1]，未做诸多更改，但是细节上可能因为微信自己做了更新，爬取细节很不同，另外就是加入了一些文本处理的操作。 1. 注册微信公众号 -> 新建图文消息 ->