收到许多读者的强烈呼声，本数模小组还是决定将2020美赛C题的全流程与可视化开源。因为这是一道以NLP【最易理解的NLP入门！】数模实战导向（20美赛C题）2020美赛C题。PS：本次本人并没有承担所有的Coding工作，故不会有全部的源码，仅有NLP部分的源码。在此处让我们赞美我们小组里技艺逐渐精进的两位队员！本题实际上是一道门槛并不高的题目，即使从未接触过NLP的本人也是快速掌握并完成，当然也

深度Q网络（Deep Q-Network, DQN）作为深度强化学习的里程碑式算法，通过将Q-learning与深度神经网络结合，解决了传统强化学习在高维状态空间中的维度灾难问题。本文以“从Q-learning到DQN的核心演进”为脉络展开：首先剖析Q-learning基于动态规划的贝尔曼方程更新机制及其局限性；继而深入探讨DQN如何通过神经网络函数逼近重构Q值估计，并针对训练稳定性问题提出目标网

本次美赛打得还是相当快乐的，前三天甚至每天下午依然会雷打不动地抽一个办小时健身这道美赛题相对中规中矩，显然是不如2024美赛C题那般抽象的。本次本人承担了除PLSR以外的全部的代码实现以及对应论文写作工作，最大的感觉就是其实对于一个队伍而言，不必三个人能力相当，而是重点在于分工合理。本次数模小组是在线上协作，一天固定两次会议汇报进度，论文写作期间一直挂着微信语音。关于具体计划安排，写在RunCod

本问主要从BNN与一般MLP的差异入手，帮助读者对BNN有一个宏观认知；接着再切入具体的原理推导，以及常见的优化算法选用。最后附上了使用BNN完成论文复现的实战代码，也做了一定数量的可视化，帮助读者理解