doctoral study working

waiting line	doing	finshed
1. How to calculate the information of matrix	✓	✓
2. How to desgine an experiment to verify the relationship of the information to xxx	✓	✓
3. If the information of the matrix is the best way?	✓	✓
4. Remenber the question waitting to be soloved: disentanglement	✓	✓
5. And try to find the way that change the loss with information of the matrix	✓	✓
6. Do a full literature review of information bottleneck in a week	✓	✓

因为课题组要求，以后的笔记更新会在学校的网站上。偶尔偶尔也会回来加更一下

待办

待办	在办	完成
1. alpha go蒙特卡洛的深度理解	✓	✓
2. Beta分布，高斯分布，T,F分布等分布	✓	✓
3. 两种含义的LDA和PCA
4. 各种样子的Softmax
5. 实体对齐算法汇总	✓
6. 图嵌入[表示学习]	✓
7. 之前的打过草稿的算法单独摘出来写成文章
8. 矩阵分解方法和意义	✓	✓
9. Gitlab使用手册编写	✓	✓
10.毕业论文修改记录给老师	✓	✓
11.强化学习大体综述
12.easy rl强化学习学习
13.SVD等矩阵分解方式	✓	✓
14.用别的方法进行梯度下降试试看	✓
15.集成学习各种方法与方差偏差变化(梯度提升树为起点)	✓
16.毕业论文跑代码	✓	✓
17.windows下的针对vpn的路由设置	✓	✓
18.最近工作的好的地方进行整理	✓	✓
19.GANs实际上手	✓
20.Wasserstein相关的各种散度、分布	✓	✓
21.记一下ensamble这个自己想出来的方法
22.记一下篱笆型LSTM
23.怎么改到focal loss，有什么限制和优缺点
24.交叉熵是一个什么角度来衡量信息差的	✓	✓
25.决策树，回归树，分类树是个啥？	✓	✓
26.KL散度，JS散度，Wasserstein距离是啥	✓	✓
27.拉格朗日算子法是个什么样的算法？	✓	✓
28.对抗样本学习方法综述	✓
29.从self-attention到BERT	✓	✓
30.从BERT到GPT	✓	✓
31.EM算法是什么
32.XGB和决策树为啥这么好，怎么改	✓

重要程度的待办【实时更新】

待办	在办	完成
1.XGB和决策树为啥这么好，怎么改，写文章	✓
2.EM算法是什么
3.图嵌入和GNN
4.easy rl强化学习学习
5.BERT在各种层各种任务的总结【以池化层用来文本分类为例】
6.XGB和LightGBM在实现决策树时的不同原理和实例
7.能不能让XGB处理部分文本呢？或者处理部分文本时能考虑跟XGB一起？
8.能不能让文本分类在处理整体文本时，加入文本的特征信息
9.胶囊神经网络？静态动态路由？
10：对抗训练和强化学习
11：元学习，提示学习
12：怎么只对mask的地方进行预测。。啥原理啊
13：huggingface对五种模型的总结https://huggingface.co/docs/transformers/model_summary
14.最新的那个chatGPT社会化的原理？
15.重新定义lstm，xgb的各种计算方法，cart还有信息增益啥的
16.huggingface的autoTokenizer和BertTokenizer和其他的区别
17.bert各层用处，为啥这里文本分类就用那个池化层了，能不能改的更好
18.总结我自己的那个补全的函数，看看能不能优化
19.F.cross交叉熵的用法,还有ignox_index。
20.趁机把正则表达式学会
21.怎么检查内存在哪里消耗？import pynvml不管用，因为跑model.py时提前分配
22.从GPT到ChatGPT

Q.E.D.