问题边缘概率最大后验概率状态求归一化因子变量消元法基本思想逐步从联合概率中消除变量，求解边缘概率变量消除的顺序：最有消元顺序是NP难问题可以通过一些启发式的规则优化，如最少临接点算法边缘概率Sum Product VE最大后验概率状态（MAP）max-sum elimination应用求边缘概率求条件概率团树传播算法与变量消元法对比相同点本质上相同，只是从不同的角度出发不同点变量消元法把全局概率推

机器学习 - 可解释性概述观点Goal of ML Explanation != you completely know how the ML model work.Goal of ML Explanation is make people(your customers, your boss, yourself) comfortable.针对不同的人，可能需要不同的解释\nPersonalized

C. 人工智能 — 强化学习 - 概述概述思路Agent -> Action -> EnvironmentEnvironment -> Reward -> Agent难点大部分情况下，reward = 0应用场景Alpha Go：下围棋聊天机器人服务器节电：DeepMind、Google即时战略游戏难点Reward delayAgent的行为会影响环境分类On-policy

随着时代的发展，现有的企业 IT 设施越来越庞大、越来越复杂。根因分析的定位，变得越来越难。由此引出了一个问题，是否可以借助人工智能技术，实现故障的智能定位？现在市面上关于根因分析的材料并不多，更多的是以论文的形式出现，都在探索不同的算法在特定场景下的效果。学术研究本来就应该百花齐放，但是工业界除了关心理论本身，更关心的是如何落地以及如何为企业带来效益。

简述概念概率图模型是用图来表示变量概率依赖关系的理论，结合概率论与图论的知识，利用图来表示与模型有关的变量的联合概率分布。由图灵奖获得者Pearl开发出来。概率图模型在机器学习的诸多场景中都有着广泛的应用。朴素贝叶斯模型、最大熵模型、主题模型马尔科夫随机场、条件随机场隐马尔科夫模型、多元高斯模型Kalman滤波、粒子滤波、变分推理等当给每一个位置中按照某种分布随机赋予相空间的一个值之后，其全体就叫

C. 人工智能 — 迁移学习 - Domain Adaptation概述概念不同的数据分布，但是相同的任务难点源域和目标域 的特征空间，映射到同一个分布领域迁移第一种：训练数据和测试数据不一样第二种：输出的发布发生变化第三种：输出的关系（标签）发生变化Target Domain 的数据完备程度数据很多，并且都有标签直接使用分类算法数据很少，但是都打了标签避免 过拟合控制 epoch 次数调整 Le

D. 深度学习 — 图神经网络概述任务分类分类链接预测聚类图生成可视化图嵌入概述真实的图（网络）往往是高维、难以处理的，20世纪初，研究人员发明了图形嵌入算法，作为降维技术的一部分。挑战属性选择节点的“良好”向量表示应保留图的结构和单个节点之间的连接。第一个挑战是选择嵌入应该保留的图形属性。考虑到图中所定义的距离度量和属性过多，这种选择可能很困难，性能可能取决于实际的应用场景。可扩展性大多数真实网

机器学习 - 异常检测概述目标判断预测的数据，跟训练数据的相似程度应用场景金融欺诈行为：正常刷卡行为 VS 盗刷网络入侵检测癌细胞检测二分类模型困难异常数据无法穷尽异常数据很少有标签数据流程输入输出类别可信度（可能是 0 ~ 1 的浮点数）阈值设置通过设置阈值，判断数据是否异常阈值的设定基于实际情况而定算法神经网络算法评估验证数据：数据，以及标注该数据是否正常（不是具体的分类）优化点通过对抗神经网

D. 深度学习 — 图神经网络概述任务分类分类链接预测聚类图生成可视化图嵌入概述真实的图（网络）往往是高维、难以处理的，20世纪初，研究人员发明了图形嵌入算法，作为降维技术的一部分。挑战属性选择节点的“良好”向量表示应保留图的结构和单个节点之间的连接。第一个挑战是选择嵌入应该保留的图形属性。考虑到图中所定义的距离度量和属性过多，这种选择可能很困难，性能可能取决于实际的应用场景。可扩展性大多数真实网

D. 深度学习 — 图神经网络概述任务分类分类链接预测聚类图生成可视化图嵌入概述真实的图（网络）往往是高维、难以处理的，20世纪初，研究人员发明了图形嵌入算法，作为降维技术的一部分。挑战属性选择节点的“良好”向量表示应保留图的结构和单个节点之间的连接。第一个挑战是选择嵌入应该保留的图形属性。考虑到图中所定义的距离度量和属性过多，这种选择可能很困难，性能可能取决于实际的应用场景。可扩展性大多数真实网