2024年度市政策引导类计划（软科学研究）指导性计划项目

无经费，结项要求1.5万字，结题要求查重，费用自付

江科大生活指南

本指南的目的是让新来的老师能尽快地熟悉和适应学校的生活，本指南所提的建议仅供参考。

1. 住房可以选择住长山校区的青年公寓，也可以自己在长山校区附近租房。

2. 校车校车从长山校区到东校区的时间大约是三四十分钟，校车运营时间见校车时刻表。

3. 哈啰单车长山校区的哈啰单车不能进出校园，在北门行政楼附近有禁停区。

注：镇江机动车，尤其是电动车比较多，所以骑单车时务必要小心。

4. 食堂长山校区主要有东苑食堂、西苑食堂和北苑餐厅，其中东苑食堂近一些。东苑食堂一楼和二楼是学生食堂，三楼是教工食堂。

5. 购物学校里面超市的东西较贵，可以在网上或者去校外的大型超市买东西。长山校区比较偏，可以坐公交去丹徒，丹徒有世纪华联等超市。东校区东边有个大型超市，叫大润发（学府店），可以从学校东南门出去，很近的。

注：建议办会员卡，世纪华联和大润发都是直接用手机号办会员的。长山校区取快递有两个地方：东苑食堂的东面或者西苑食堂的西面。东校区取快递的地方位于学生食堂和体育馆之间。

6. 网络长山校区里有名为JUST的无线网，账号为工号，默认密码为Just+身份证后六位，一个账号可供多台设备同时上网。东校区图书馆没有无线网，可以在二楼电子阅览室里插网线，或者用手机开热点。

7. 医院长山校区的医院位于南辅门西边；东校区的医院位于教工食堂的东边。

8. 常用的学校网站

融合门户http://my.just.edu.cn/_s2/teachers_sy/main.psp

信息化建设与管理办公室http://ic.just.edu.cn/可进入科大邮箱

图书馆http://lib.just.edu.cn/

财务处http://cwc.just.edu.cn/

9. 需要加入的群,微信群,QQ。群注：常用的手机APP有完美校园和移动科大。 

10. 小窍门在办公室里可以把椅子放平，变成一张床。自己再买一个枕巾和毯子，就可以躺在上面睡午觉了。

11. 旅游实训楼（在行政楼的东面）的二楼，有个打印店叫玉竹鼎文印服务部。可以先在店里建一个账户，在里面买插座等办公用品，等科研启动金下来后，再去结账。打印店会开个发票和清单，然后通过学校财务系统报销即可。文理大楼一楼有学校的印刷厂，打印试卷走学校的账号。

个人流程：

8月26日前，申请提前上班，询问学校行政楼人事处312室。

材料：身份证正反面，学历认证（海归），电子照，提前上班申请表，校园卡申请，健康登记表，公有住房申请表。

额外材料：进校审核登记表（门卫处所需），校园北门（对面既为镇江高专校区）。

*尽早解决普通话考试，后续教师资格申请需要。因此程序已经社会化，学校不再负责。

*尽早完成体检，可与其他员工体检混合。体检校医院于学校南门，需空腹。

8月26日，教师上班。

校门口公交：86，87，100，520（周末节假日不运行，且平常运行时间和价格不同）。

建议下载“龙易行APP”查询及付费（正常公交可减免费用1元至0.5元）。

若住学校内部青教公寓，楼下充电桩免费。

学校班车时间见教务处网站。

进校后优先处理办公室钥匙，校园卡及完美校园APP下载（需身份证及工号），和扬帆科大APP。

校园卡每月餐补，只可用于食堂及超市，打印中心不可用。

提前上班申请表需签字盖章后提交至学校行政楼人事处312室。

尽快加入各个学校学院工作QQ群。

8月29日，老生开学。

*优先处理正式入职手续，同样是学校行政楼人事处312室。

材料：学历认证，档案，网上信息填写申报（*特别注意信息，一个字都不能差！）。

办公室电脑，网络，WIFI登录，学校网站，个人主页。

熟悉校园位置。

办公楼，教学楼（4所），食堂，西操场，体育馆，行政楼，及玉竹鼎打印中心（试卷书籍打印等）。

校内交通，哈啰单车等。

学校课程表时间见教务处网站。

长山：8:30AM-12:00PM 1:30PM-5:00PM

9月1日，新生报道。

大一学生都在梦溪校区，但有家长会于长山校区外问询。

科研经费需等编制及入职后可用。

9月1日后，工作步入正轨，需计划安排以下事项。

教师老带新项目，参与课堂体验。

论文出版及上报程序。每年一次，11月17号截止，于学校网站科研系统上报。海外论文需额外审查表和签字。

教师资格证明程序：岗前培训及12月17号考试（视频时长看满），普通话考试，体检。

网上教师培训程序的视频时长学分，作业为可选项。

教师师德培训各项活动。

10月中旬后，国家社科和自科基金准备工作开始，第二年3月提交。

学院组织各项本校研讨会及外校专家座谈需重视参加。

熟悉学校各项科研，教学，教师及学生比赛的业绩计算方法。

定好个人首聘期计划，保证科研论文不断层。

In causal inference, biases arise when omitted variables correlate with the outcome. 

But for prediction, biases arise when omitted variables correlate with payoffs.

ML is just nonparametric regression

Xiaohong Chen

Sieve Extremum Estimates for Weakly Dependent Data

https://www.jstor.org/stable/2998559

Nonparametric Metric

Liangjun Su

Racine

Qi Li

Reference

https://www.zhihu.com/question/37870042

QJE

Human Decisions and Machine Predictions

https://academic.oup.com/qje/article-abstract/doi/10.1093/qje/qjx032/4095198/Human-Decisions-and-Machine-Predictions?redirectedFrom=fulltext&login=false

Counterfactual Reasoning and Learning Systems: The Example of Computational Advertising

https://jmlr.org/papers/volume14/bottou13a/bottou13a.pdf

因果推断领域：

1. Judea Pearl 的 do-calculus，用概率图模型进行因果推断。

Pearl, J. (2012). The do-calculus revisited. In Proceedings of the Twenty-Eighth Conference on Uncertainty in Artificial Intelligence (pp. 3-11).

2. Johansson et al (2016) 用 representation learning进行 Rubin 框架下的反事实推断。

Johansson, F., Shalit, U., & Sontag, D. (2016). Learning representations for counterfactual inference. In

International conference on machine learning (pp. 3020-3029). PMLR.

3. Jason Hartford et al (2017) 的 DeepIV，用deep learning 来寻找工具变量进行反事实推断研究。

Jason Hartford, Greg Lewis, Kevin Leyton-Brown, and Matt Taddy. Deep IV: A flexible approach for counterfactual prediction. Proceedings of the 34th International Conference on Machine Learning, 2017.

4. Susan Athey 的 causal tree 模型，用树模型进行因果推断。

Athey, S., & Imbens, G. (2016). Recursive partitioning for heterogeneous causal effects.

Proceedings of the National Academy of Sciences, 113 (27), 7353-7360.

行为经济学领域：

1. Param Singh et al (2011) 用了 hidden markov model，来研究用户的隐含状态对可观测行为的影响。

Singh, P. V., Tan, Y., & Youn, N. (2011). A hidden Markov model of developer learning dynamics in open source software projects. Information Systems Research, 22(4), 790-807.

2. Jacobs et al (2016) 用了 Topic Modeling，来预测用户在线购买商品的行为。

Jacobs, B. J., Donkers, B., & Fok, D. (2016). Model-based purchase predictions for large assortments. Marketing Science,35(3), 389-404.

3. Peter Fader 的 Pareto/NBD model，用统计学模型预测和估计顾客的终身价值。

Fader, P. S., Hardie, B. G., & Lee, K. L. (2005). “Counting your customers” the easy way: An alternative to the Pareto/NBD model. Marketing science,24 (2), 275-284.

4. Peter Hoff 的 Latent Space Model，用统计学模型估计网络结构上用户的传播信息行为。

Hoff, P. D., Raftery, A. E., & Handcock, M. S. (2002). Latent space approaches to social network analysis.

5. Bayesian Learning，很多经济学、金融学、营销学的TOP论文都讨论过类似于 Customer Learning， Investor Learning 的问题。

Chance, D. M., Hillebrand, E., & Hilliard, J. E. (2008). Pricing an option on revenue from an innovation: An application to movie box office revenue. Management Science,54(5), 1015-1028.

Narayan, V., Rao, V. R., & Saunders, C. (2011). How peer influence affects

attribute preferences: A Bayesian updating mechanism.Marketing Science,30(2), 368-384.

Kwon, H. D., & Lippman, S. A. (2011). Acquisition of project-specific assets with Bayesian updating.

Operations research,59(5), 1119-1130.

博弈论领域：

Reinforcement Learning 和 GAN天然就是用来研究博弈论的，比如 Igami 教授论述了动态离散选择模型与 Reinforcement Learning 与我们已知的一些人工智能算法间的关系。这个方向在工程学里一直有人研究。像什么演化博弈、Agent model 等等

Igami, M. (2020). Artificial intelligence as structural

estimation: Deep Blue, Bonanza, andAlphaGo.The Econometrics Journal,23(3), S1-S24.

Charpentier, A., Elie, R., & Remlinger, C. (2021). Reinforcement learning in economics and finance.

Computational Economics, 1-38.

挖掘新的自变量：

1. Netzer et al (2012) 用 text ming 的方法，挖掘厂商之间的竞争关系是市场份额

Netzer, O., Feldman, R., Goldenberg, J., & Fresko, M. (2012). Mine your own business: Market-structure surveillance through text mining. Marketing Science,31(3), 521-543.

2.Zhang et al (2021) 用 image mining的方法，研究 Airbnb上房间图片质量与用户需求之间的关系。

Zhang, S., Lee, D., Singh, P. V., & Srinivasan, K. (2021). What makes a good image? Airbnb demand analytics leveraging interpretable image features.Management Science.

3.Liu et al (2019) 用 video mining 的方法，研究 youtube 视频对于患者康复的影响

Liu, X., Zhang, B., Susarla, A., & Padman, R. (2019). Go to YouTube and call me in the morning: use of social media for chronic conditions.MIS Quarterly.

业界正在做的项目：

google 的 What-If 项目: what-if-tool

很多大厂的推荐算法：讨论推荐算法是否公平的问题， fairness of recommendation algorithms

Reference

https://www.zhihu.com/question/37870042

Andrew Ng

Susan Athey

Gentzkow

Igami(Yele, Neio)

Bertrand

Nick

Cicala

random forest+DID

Source:https://zhuanlan.zhihu.com/p/442055528

Journal of the Academy of Marketing Science (JAMS)

Journal of Cleaner Production

Sustainability

官方数据库

l国家统计局

l中国信通院

l中国专利数据库

l中国统计信息网

l国研网统计数据库

l中经网统计数据库

l中国人民银行官网

l中国工业企业数据库

l中国互联网络信息中心

l中华人民共和国财政部

l中华人民共和国商务部

金融数据库

l同花顺

l锐思数据

lWind客户端

l东方财富网

l国泰安数据库

l中国金融信息网

l美联储官网

lBVD数据库

l世界银行官网

lUN COMTRADE

lEcon Sources

l国际货币基金组织官网

微观数据库

l中国综合社会调查（CGSS）

l中国家庭追踪调查（CFPS）

l中国家庭金融调查（CHFS）

l中国家庭收入调查（CHIP）

l中国教育追踪调查（CEPS）

l中国健康与营养调查（CHNS）

l中国劳动力动态调查（CLDS）

l中国宗教调查（CRS)

l中国私营企业调查（CPES)

l中国小微企业调查（CMES)

l中国健康与养老追踪调查（CHARLS)

l中国老年健康影响因素跟踪调查（CLHLS)

l中国社会状况综合调查（CSS)

l中国城乡劳动力流动调查(RUMIC)

Endogeneity vs Exogenity

现在人们说某个模型有内生性问题（endogeneity issue），是指模型中的一个或多个解释变量与误差项存在相关关系。其含义是指模型中的解释变量有内生性（endogeneity）。

可以简单理解为：

与干扰项项相关的变量称为内生变量(endogenous variable)。

与干扰项不相关的变量称为外生变量(exogenous variable)

对于线性回归模型中的解释变量X，干扰项（不可观测到的因素）u，被解释变量Y。

一般会有Y=aX+u，也就是说X会对Y产生影响，干扰项u也会对Y产生影响，且干扰项u与X无关。那么此时，解释变量X就是外生变量，Y与u是相关的，所以可以说被解释变量Y是内生变量。

但是有时，可能由于某种原因，干扰项也会对X产生一定影响，此时干扰项u和解释变量相关，此时的解释变量X为内生变量。

产生内生性问题的原因：

由于经济因素的多重复杂性等原因，内生性问题在所难免，尤其是内生性是计量经济学最为关注的问题。

内生性问题是解释变量与扰动项相关导致的，主要原因有遗漏变量、双向因果和测量误差等导致无法满足cov(x μ)=0的假设。

1 遗漏变量：
遗漏变量是指可能与解释变量Y相关的变量，本来应该加以控制，但是没有控制。此时该变量会跑到扰动项u中，造成扰动项与解释变量存在一定关系。

2 双向因果：
双向因果是指核心解释变量X和被解释变量Y互相影响。假设扰动项u发生正向冲击，Y会增加，也会导致X发生变动，这样的话就会造成核心解释变量X和扰动项相关。

3 测量误差：
测量误差是指被解释变量Y存在度量误差或解释变量X存在度量误差。

比如,当解释变量X存在度量误差时，y=α+βx+e，x无法精确观测，只能观测到x1，x1=x+u，u为度量误差
此时有：y=α+βx1+(e-βu)
因为u和x1相关，所以新的扰动项e-βu和x1存在相关关系，就产生了内生性。

Heteroscedasticity vs Homoscedasticity

问题：如何准确识别自变量X对因变量Y的作用？

        考虑到影响Y的因素有很多，不仅包括X，也包括其他因素（也即非观测因素）。为逻辑清晰起见，我们简单把非观测因素的作用归结为Z。如果X的值变化了，Z的值也随之变动，此时你观测到的Y的变动，到底是X引起的，还是Z引起的？说不清楚。所以，从逻辑上来讲，只有在Z不变的情况下，X变了，Y也变了，你才可以说，Y的变动确实是X引起的，因为此时其他因素Z是保持不变的，也就是我们通常说的“其他因素不变”。

        那么，其他因素Z不变，如果其作用被吸收进误差项（因为既然Z是非观测因素，缺乏有效测量数据，那么你在计量经济模型中是只考虑X的），其在统计上的表现之一就是误差项的方差应该保持不变（当然还有其他统计上的表现，方差不变只是“其他条件不变”这一前提的统计表现之一）。因为误差项是随机因素成分，其方差不应随X的变化而表现出系统性的差别。当把Z的效应纳入误差项后，如果Z是随X变化的（就是不同的X，其他因素Z也不同），那么这样的误差项当然就表现出“异方差”了。

        从另一个角度来说，同方差假设给统计推断带来便利，因为你要估计的方差数大大减少了。不管X取何值，误差项的条件方差都是一样的，否则X每取一个值，你都要去估计一个条件方差，重复测量数据还勉强可以做到，一般的横截面数据是不可能估计出这么多的误差方差的。

        研究的样本的重要属性上总是存在差异（Heteroskedasticity），比如人和人之间的消费习惯可能大相径庭，这样你记录1000个人10年的月消费数据，即便他们收入流和资产完全相同，消费流也可能截然不同。在统计性质上，这种不同表现为异方差。所以在计量模型上，横截面数据和面板数据经常出现，也可以说总会存在异质性问题。

Heterogeneity vs Homogeneity

异质性（heterogeneity）其实也就是我们经常所谓的差异、差别。它可以是个体层面上，也可以是群体层面上。前者属于个体异质性，后者属于总体异质性。异质性无处不在，这也是社会科学研究的真正本质。定量的社会科学研究所做的也就是在于理解或认识异质性的主要来源，为此很重要的方式之一就是做社会分组（谢宇，2012）。所以我们总是在研究中运用从最简单的t检验、方差分析到更为复杂点的多元回归分析等统计分析方法来帮助我们做得更合理、更科学。

不过，很多的统计方法都假定总体是同质的。比如，t检验和方差分析中的零假设都是群体之间无差异，而仅含主效应的回归分析也主要是对所有个体拟合一个回归方程。所以，实际研究中，经常看到数据被当作仿佛是从一个单一总体中得到而加以分析，尽管往往样本中所有的个体可能并不具有相同的一套参数值。

实际上，研究者们也经常意识到一个总体可能异质的，是由多个不同的子总体混合而成的，比如男性和女性、城镇居民与农村居民。为此，尝试在模型设定和选择上尽可能地考虑能放宽同质性总体假定，以便得到更合理的认识或对更复杂的理论假说做出实证检验。

最简单的处理就是纳入虚拟变量。比如，在工资收入的Mincer方程中纳入性别虚拟变量female（0=男性，1=女性）：

Yi= β0+ β1expi + β2edui+ β3femalei + εi

其中i表示个体，exp为工龄，edu为受教育年限。很明显，上述方程对应着两个方程：

对于男性，Yi =β0 + β1expi +β2edui + εi，

对于女性，Yi =(β0 + β3) + β1expi + β2edui+ εi

表明工龄和受教育年限的收入对男性和女性是一样的，但两者在收入平均水平上具有异质性。更彻底考虑男性和女性两个子总体异质性的做法是进一步纳入exp和edu同female之间的交互项，即：

Yi =β0 + β1expi +β2edui + β3femalei + β4 (femalei×expi) +β5 (femalei×expi) + εi

同样的，

对于男性，Yi =β0 + β1expi +β2edui + εi，

对于女性，Yi =(β0 + β3) + (β1+ β4)expi + (β2+ β5)edui + εi

显然，此模型意味着男性和女性两个子总体不仅收入平均水平不同，同时工龄和受教育程度的收入回报也有差别。注意，这里涉及虚拟变量与其他变量的完全交互，在总体性别参数估计值上与分男性和女性样本分别进行回归是等价的。另外，上一主效应的模型被称作加法模型，后一纳入交互项的模型被称作乘法模型。另外，结构方程建模可以很好地进行多组分析，因此也可以较方便地处理总体异质性。

Heterogeneity vs Hetersoscedasticity

1.异质性：Heterogeneity

一个变量X对另一个变量Y的影响可能因个体而异:

例：

多上一年学让张三的收入增加了1000元，让李四的收入增加了1200元，那么教育年限对收入的影响就存在异质性；

若多上一年学使所有人的收入都增加1000元，那么教育年限对收入的影响就是同质的。

2.异方差：Heteroskedasticity

在变量X的不同水平上，变量Y取值的波动大小可能不同。例：

所有小学毕业的人，有的做了老板年入百万，有的成为工薪阶层年入几万——在六年教育水平上，收入取值的波动很大。所有大学毕业的人，都能找到不错的工作，收入多的年赚百万，收入低的也有几十万——在十六年的教育水平上，收入取值的波动较小。

√ 收入(Y)的波动大小随教育水平(X)的变化而变化，因此Y相对于X有异方差。小学毕业的人的收入水平大都较低，大学毕业的人的收入大都较高，但是小学毕业的所有人收入波动大小与大学毕业所有人的收入波动大小可能差不多。

√ 收入(Y)的波动大小相对教育水平(X)有同方差。

3.异方差VS异质性

3.1 如果Y相对于X是同方差，那么X对Y的影响可能是同质的，也可能是异质的。

例：

假如六年教育：年收入1万元，七年教育：年收入1.2万元，

八年教育：年收入1.4万元…

那么，收入（Y）相对于教育年限（X）是同方差的：不管教育水平是多少，收入在同一教育水平内的波动大小都是0。

多上一年学带来的收入增长都是两千元：教育年限对收入水平的影响是同质的。

假如六年教育：年收入1万元，七年教育：年收入1.2万元，

八年教育：年收入1.6万元…

那么，收入（Y）相对于教育年限（X）仍然是同方差的：不管教育水平是多少，收入在同一教育水平内的波动大小都是0。

多上一年学带来的收入增长分别为2000元、4000元：教育年限对收入的影响在上过六年和七年的这两类群体中是异质的。
3.2 如果Y相对于X有异方差，那么一般来说，X对Y的影响是异质的。

例：

六年教育：年收入都是1万元；七年教育：女性收入1.1万元，男性收入1.2万元。则收入相对教育年限存在异方差的。如果上过六年学的人再上一年学，收入可能涨一千元（女性），也可能涨两千元（男性）。因此，教育年限对收入的影响因性别而异，存在异质性。

Unobserved Heterogeneity vs Endogeneity

Let's suppose we estimate the following:

Y =β0 + β1 X1+ e            (1)

When we estimate a regression such as (1) above and leave out an important variable such as X2 then our estimate of β1 can become unbiased and inconsistent. In fact, to the extent that X1 and X2 are both correlated, X1 becomes correlated with the error term violating a basic assumption of regression. The omitted information in X2 is referred to in econometrics as ‘unobserved heterogeneity.’ Heterogeneity is simply variation across individual units of observations, and since we can’t observe this variation or heterogeneity as it relates to X2, we have unobserved heterogeneity.  Correlation between an explanatory variable and the error term is referred to as endogeneity.  So in econometrics, when we have an omitted variable (as is often with cases of causal inference and selection bias)  we say we have endogeneity caused by unobserved heterogeneity. 

How do we characterize the impacts of this on our estimate of β1?

We know from basic econometrics that our estimate of β =

b =  (X’X)-1X’Y or COV(Y,X)/VAR(X)           (2)

If we substitute Y = β0 + β1 X1+ e into (2) we get:

COV(β0 + β1 X+ e,X)/VAR(X) = 

COV(β0,X)/VAR(X) + COV(β1 X,X)/VAR(X) + COV(e,X)/VAR(X)                         (3)

= 0 + β1 VAR(X)/VAR(X) + COV(e,X)/VAR(X)        (4)

= β1 + COV(e,X)/VAR(X)                                (5)

We can see from (5) that if we leave out a variable in (1) i.e. we have unobserved heterogeneity, then the correlation that results between X and the error term will not be zero, and our estimate for β1 will be biased by the term  COV(e,X)/VAR(X). If (1) were correctly specified, then the term COV(e,X)/VAR(X) will drop out and we will get an unbiased estimate of β1

Reference

https://zhuanlan.zhihu.com/p/138738189

https://blog.csdn.net/ARPOSPF/article/details/87903658

http://econometricsense.blogspot.com/2013/06/unobserved-heterogeneity-and-endogeneity.html

https://zhuanlan.zhihu.com/p/502794801

数学需求

1. 微积分

2. 线性代数

统计需求

1. 分布

2. 概率论

经济需求

1. 初级微观

2. 初级宏观

计量书籍

1. Basic Econometrics

2. Mostly Harmless Econometrics

3. Mastering Metrics

4. Econometric Analysis of Cross Section and Panel Data 

5. Microeconometrics Using STATA

核心内容

1. OLS

2. FE

3. DID-DDD

4. IV

5. RD

6. Probit-Logit

软件编程

1. R

2. STATA

Reference

机器学习指南

机器学习概念

• Artificial Intelligence (AI): enable the machine to think

• Machine Learning (ML): statistical tool to explore and analyze the data

  • Supervised learning

    • Data with label, “know output”

  • Unsupervised learning

    • Data without label, “don’t know output”

    • Handle clustering issues

  • Reinforcement learning (semi-supervised learning)

    • Some label and some not label

    • The machine needs to “learn”

• Deep Learning (DL): mimic human brain

  • Multi neural network architecture

  • ANN (for number)

  • CNN (for image): TL as advanced

  • RNN (time series)

• Data Science (DS): statistic, probability, linear algebra, etc.

数学需求

• 高等数学

  • 导数及偏导数，对应机器学习中的梯度，机器学习中学习的参数需要通过梯度下降进行更新；

  • 复合函数的链式法则，目的也是为了求出梯度更新参数，但因为深度学习网络有多层，所以模型的预测函数是个复合函数，我们需要通过链式法则从后往前求出每层参数的梯度，进而更新每层里的参数，这也就是大名鼎鼎的“反向传播法”；

  • 同时可以去了解下数学中的最优化问题，大概就是目标函数在什么条件下能够取到最值的问题，因为机器学习的问题到最后都是要转化为一个损失函数最优化的问题。

• 线性代数

  • 标量、向量、矩阵及张量的定义及运算，在机器的眼里，万世间物即可为矩阵，机器学习的过程其实也就是矩阵计算的过程。

  • 范数，对应机器学习中正则项，正则项通常会加在已有的损失函数上用来减少训练的过拟合问题；

  • 常见的距离计算方式：欧式距离、曼哈顿距离、余弦距离等，数据样本可以表示为其特征空间里的点，而距离可以用来衡量他们的相似度。

• 概率论

  • 条件概率、贝叶斯，基于概率论的分类方法经常会用到；

  • 期望与方差，机器学习里一般都会对数据进行normalized的处理，这个时候很可能会用到期望和方差；

  • 协方差，能够表征两个变量的相关性，在PCA降维算法中有用到，变量越相关，我们越可能对他们进行降维处理；

  • 常见分布：0-1分布、二项分布、高斯分布等，高斯分布很重要，数据normalized跟它有关，参数的初始化特跟它有关；

  • 最大似然估计，在推导逻辑回归的损失函数时会用到。

• 信息论

  • 了解下交叉熵的概念即可，大概知道这东西跟分类问题的损失函数有关

核心算法

• 吴恩达（Andrew Ng）斯坦福公开课《Machine Learning》

  • Class Note http://www.holehouse.org/mlclass/

  • Coursera《Machine Learning》

• 李宏毅《一天搞懂深度学习心得》

  • 《深度学习介绍-李宏毅》

  • 《李宏毅机器学习2017》

  • 《李宏毅深度学习2017》

• 林轩田

• 《DeepLearning.TV》

• 李飞飞《Stanford CS231N 2017》

• Peter Harrington《机器学习实战》

• Ian Goodfellow《Deep Learning》

• 《不用博士学位玩转Tensorflow深度学习》

• 《三天速成Tensorflow PPT-香港科技大学》

• 莫烦《Tensorflow教程》

• 《 Deep Learning With Tensorflow》

• 《 Keras快速搭建神经网络》

• 《在AWS上配置深度学习主机》

Python代码

• Anaconda-Python3

• 导图框架

  • https://zhuanlan.zhihu.com/p/36281900

• 书籍

  • 《笨办法学Python》

  • 《廖雪峰Python教程》

  • 《Python100例》

  • 《机器学习numpy与pandas基础

  • 《十分钟搞定pandas》

  • 《机器学习numpy与pandas基础》

  • 《matplotlib绘图可视化知识点整理》

  • 《从零开始写Python爬虫》

  • 《1.1 requests库的安装与使用》

  • 《1.2 BS4库的安装与使用》

  • 《1.5爬虫实践： 获取百度贴吧内容》

  • 《1.7爬虫实践： 排行榜小说批量下载》

  • 《1.8爬虫实践： 电影排行榜和图片批量下载》

数据应用练习

• 吴恩达课程

• https://zhuanlan.zhihu.com/p/87930731

• Kaggle: Titanic Project

  • https://zhuanlan.zhihu.com/p/40398646

• US COVID-19 Hub

  • https://covid19forecasthub.org/

金融机器学习书籍

• 马科斯·洛佩兹《金融机器学习》

• 《Python金融大数据分析》

Reference

https://36kr.com/p/1722113474561

https://zhuanlan.zhihu.com/p/168167555