瞎看吧。。。。至少做个笔记https://www.bilibili.com/video/BV1UE411G78S?from=search&1

瞎看吧。。。。至少做个笔记https://www.bilibili.com/video/BV1UE411G78S?from=search&1

Learning这一章和我前段时间追的崔鹏教授的内容相一致，主要针对ML中“我们感兴趣的数据都是独立同分布的”这个实际上并不准确的假设。我们可以假设我们的数据是由 SCM 管理的干预分布生成的。对于across一组环境，生成的给定数据集，我们将每个环境 e ∈ E 视为从单独的干预分布中采样的。参考图 3.1 中的示例，我们如何以有原则的方式估计 p(y | x)？在不变特征学习。

结构汉明距离（Structural Hamming Distance）结构性汉明距离（SHD）是通过邻接矩阵来比较图形的标准距离。它包括计算两个（二进制）邻接矩阵之间的差异：每条缺失或不在目标图中的边缘都被算作一个错误。请注意，对于有向图来说，两个错误可以被计算在内: 错误方向的边是假的，而良好方向的边是缺失的；double_for_anticausal参数说明了这个问题。将其设置为 "假 "将被

机器学习：研究如何从观测数据 (observations) 中寻找“规律”(skill)，这些规律可以在未知数据上的表现有所改进。目的：使用“高质量”的训练数据，构建“合适”的模型，以“更佳地”完成任务。本质：让机器自动帮人类找函数。历史：早期称为模式识别，当时更偏向于具体的应用任务，比如字符识别、语音识别。寻找最优函数的过程称为学习或者训练。应用：分类、聚类、回归、关系预测、目标检测、语义分割、