今天想和大家讲解

今天突然想写一些比较虚的东西。想结合人类的决策因素来讲讲我对人工智能的理解。人来“决策”每个人在生活中要面临各种各样的决策/判定，那么一个问题是我比较好奇的， 我们平时决策的时候究竟有哪些因素影响我们，能让我们在漫漫人生长河中能做出来相对正确的决策到底是因为什么呢？ 如果能搞清楚，是不是就能推导出模型学习的过程到底在做什么呢？这个就是今天咱们要聊的核心话题。如果让你来给出一个事情的观点，你觉得需要

今天咱们再开始一个新的领域的内容，经典的三大范畴，推理论、决策论和控制论是其中一个比较容易被忽视的科学，但是在实际的业务中又有着经典的使用场景，当我们进行成本控制的时候，经常需要控制论中的一些经典知识，现在也抽时间开启这部分内容的学习。一张图反馈与动态反馈是控制的基础， 动态是反馈控制的基础，下图是一个开环回路的示意图。设定值经常是定常的，计算控制量并让执行器进行执行的过程类似一个因果的过程，控制

本章节继续结合一些常见的业务问题介绍一些多任务模型。

接下来这一章，咱们就来介绍一些基于深度学习的方法，当然这类方法理想情况下还是基于实验数据（RCT）进行训练。反事实回归网络（CFR）CFR其实是开启了使用深度学习的方式进行因果推断类任务的一个先河，我们知道，不同于观察模型， 因果类的模型更关注与干预的影响，而非预测值的准确性，想要从理论上得到这个干预的效果，就一定要拉齐环境，或者随机数据进行对比，所以这个网络的设计上就需要满足两方面的要求。具有拉

今天来讨论一个问题，就是xgboost是否能支持类似多任务学习的事情呢?之前听到这个问题还是挺惊奇的，这竟然也可以，今天查阅了部分相关的资料，发现竟然真的可以，我们知道深度学习中的多任务学习是通过一个共享层，建立各个任务之间的关系，通过构建多个任务的帕累托最优解,从而解决多任务的问题，而xgb选择了使用树一条路走到黑，接下来咱们来看看xgb是如何实现多任务学习的。

之前咱们介绍的都是单一模型的预训练方法，这里介绍一个特殊一点的思路，且不说应用程度怎么样，先看看这个模型的设计思路。ELECTRAELECTRA是使用对抗网路的思路进行预训练的方式。其中生成器，一个小的MLM，就是在[MASK]的位置预测原来的词。判别器判断的是输入句子中的每个词是否被替换，需要注意的是这里没有下一句的预测任务。接下来我们来看每个模块。生成器对于生成器来说，其目的是将带有掩码的输入

先来抛一个观点，崎岖的路通往皇宫，平坦的路通往村庄， 这句话想表达的就是一个事情越难其实竞争越少，综合难度未必一定比通往村庄的路代价大。那这里的难又是什么具体含义的。难度简单的事情往往是开头简单，但是你越是想把这个事情做精通，其实难度是陡然攀升的。所以简单的事情其实拼的是后期。上图列举了一个高考的例子，如果你想上大学，考个400分，其实也没有那么难，反而是简单的，但是你想上清华北大，那就要拼的是后

最近看了可以一本挺有趣的书，里面一些经典的语句十分喜欢，这里准备摘抄一些，等以后有机会还能深入阅读，道理愈多，迷茫愈多。

本节继续讲解存储论，不过咱们要加深一下难度，大家知道这个时候不是所有的事情就是100%发生的，一定是已一个概率的形式存在的， 那么本节就要讲的核心内容就是当概率遇上运筹规划，将会有什么有意思的求解方法吗？

今天我们来介绍运筹优化中的一类问题，存储论问题。在日常生活中通常需要最合理、最经济的存储问题。例如水库蓄水问题等，接下来就来介绍一个存储论包括的相关概念。需求补充费用（存储费，订货费，生产费，缺货费）存储策略其中存储策略包括几种方式。t-循环策略， 每个固定的时间t，补充一个固定的存储量Q（t，S）存储策略，每隔一个固定的时间补充一次，补充的数量不固定，看实际存储量确定，如果实际存储量为L，那么补

本章主要讲解一下在连续特征值的情况下如何进行因果图的挖掘。之前的介绍中节点的属性大部分以是否值为主。之前讲的优化的框架是如下的公式表达。max F(A)s.t.G(A)∈DAGs(1.1)max\ F(A) \\s.t.G(A) \in DAGs \tag{1.1}max F(A)s.t.G(A)∈DAGs(1.1)A 为因果结构的邻接矩阵,G(A)为A 所对应的有向无环图，DAGS 是所有可能的