本节主要介绍为贝叶斯网络网络开个头，介绍一些名词和背景知识。贝叶斯网络对于概率图而言是一个很大的话题，以边的属性作为区分可以分为两种模型，有向图模型和无向图模型。其中无向图称为马尔可夫网络，视觉领域有比较大的应用，而有向图也就是BN(belief network).当然也有无向图和有向图相结合的网络，称为链图（Chain graph）。图1给出了一个完整的架构，当然这些模型具有一定的转换性，通过降

本章节中咱们来聊聊如何发现一个因果结构，先给出因果的框架长成什么样子。一组变量V的因果结构是一个有向无环图，其中每个节点对应的V的一个变量，每个连接表示对应变量之间的直接函数关系。

之前的章节中咱们已知介绍给定因果图关系以后如何分析图中各个因素之间的关系，对撞路径等等。今天这篇文章中咱们主要介绍一下贝叶斯网络的雏形，开启因果推断的核心区域的探索。条件独立与图咱们在训练模型的时候经常会说条件变量独立，或者是独立同分布这样的名词，那么条件独立怎么在因果中使用并且怎么给出一个比较客观的定义呢？令V={V1,V2...}V=\{V_{1}, V_{2}...\}V={V1​,V2​.

大家一定知道，所有的预测永远不可能把误差控制到0，所以当已知这样的预测结果，如何尽可能的提升可用度呢？咱们举个例子销量预测这是一个十分简单的问题，业务通过预测接来下一段时间内的销量变化，从而尽可能小的损失维持一个库存水平。先描述一下咱们面临的问题。日销量 给定参数μ\muμ, σ\sigmaσ, 商品的日销量独立且服从正态分布N(μ,σ2)N(\mu, \sigma^2)N(μ,σ2)仓库容量 W

最近看了一本书，比较有意思，将书中一些关键的点分享出来，供大家分享使用，其实不管你知道多少道理，最后一定要你的生活中使用才能获得正在的成长。老鼠的降维思路大家知道，如果再过几千年以后，地球上最可能存活的生物什么吗？ 如果人类已经不在啦，哪会有什么生物存在的。 估计就是老鼠、蟑螂这类的生物会称霸地球。人类对老鼠总是喊打喊杀，为什么这么长的时间里，却没有将其完全消灭呢？引出第一个结论， 谁在主场谁就是

今天咱们进一步看因果推断的内容，做的业务多了以后你就发现，每当端到端的模型，一般不能解决你的认知问题，你做了一个端到端的模型，可能仅仅也就是是个模型，可能最重要的是你从这个事情中学到了什么？这个才能驱使你成为一个专家，行业专家。 所以多了解一些因果推断的内容是十分必要的，今天就来看看uplift建模方式。重新出发因果推断的建模大致为了解决以下几个问题。ITE: 单体的处置效应$$ITE=Y_{i}

今天来介绍一个Prophet模型是FB出品的一个可解释性极强的一个模型，使用起来十分简单，咱们主要还是讲解其中的原理。Prophet模型Prophet模型使用经典的时间分解预测的方法， 将预测任务分类趋势影响、季节影响、节假日影响，以及噪声影响，这也比较适合咱们的时间预测的场景。$$y_{t}=g(t)+s(t)+h(t) \tag{1.1}$$$y_{t}$是预测值，$s(t)$季节趋势、$g(

今天介绍的是TCN模型，在介绍这个模型的过程中，会介绍很多额外的小知识点，个人觉得还是很有用的。下面咱们就来介绍TCN模型。TCN模型先来看问题定义，对于时序问题还是老生常谈的输入输出形式。 $x=[x_{0},x_{1},...x_{T} ]$, 作为输入的值， 输出就是对应的$y=[y_{0}, y_{1},...,y_{T}]$作为输出。那么TCN模型是如何组织模型结果的呢？刚开始的时候作者

今天来介绍另一个复杂的模型LSTNet模型， 这个时序模型是专门解决多元时间预测问题的，多元时间预测哦。 模型结构十分复杂，其中很多设计还是能有很多借鉴作用的，希望大家能够学习并且用到实际工作中。LSTNet模型结构

今天咱们来介绍一个纯时序模型，N-BEATS模型，直接开门见山看看模型的机构，然后对着模型解读。N-BEATS模型结构图1.1就是N-BEATS模型的结构，看起来比较复杂，咱们拆开来看。首先来看模型的输入，输入的是观测序列$[y_{1},...,y_{T}]$, 输出是预测数据$[y_{T},...,y_{T+H}]$, 这里在原文中描述T=nH, n一般取2到7。看上图的模型主要有几个结构，分别

今天咱们就来看看第一个时序模型，可能有些同学都没有听说过这个模型，这个模型还是相对复杂的，接下来咱们来看看这个模型。 对于一般的时序任务，大家一般会想到NLP中的一些序列模型，LSTM、GRU等模型，这类方法都是给出一个确定的预测值，接下来咱们要介绍这个模型有一点不一样，DeepAR模型并不是直接简单地输出一个确定的预测值，而是输出预测值的一个概率分布，这样做其实有点好处，咱们给出的预测值其实很难

时间序列预测可以称得上是一个及其普遍的一个算法问题，解决的方法也比较成熟，你可能第一时间想到的就是AR模型，以及各种自回归模型。然后xgboost似乎也能做时序问题，只是将原有的问题当成回归问题即可，某种意义上可解释性也能够得到一定的满足。再然后就是GRU、LSTM这类循环神经网络，借鉴自NLP中使用深度模型来解决时序预测问题。除了以上的这类方法，你还能知道那些方法吗？接下来的这个系列一定能让你受