A reinforcement process is one in which some aspects of the behavior of
a system are caused to become more (or less) prominent in the future
as a consequence of the application of a “reinforcement operator”.
in Steps Toward Artificial Intelligence, Marvin Minsky
本文是关于深度Q强化学习Deep Q-Learning的学习笔记
主要包括前置知识、策略梯度PG、近端策略优化PPO、深度Q网络DQN、深度确定性策略梯度DDPG和相关扩展知识
Finite systems of deterministic ordinary nonlinear differential equations
may be designed to represent
forced dissipative hydrodynamic flow.
in Deterministic Nonperiodic Flow, Edward Lorenz
本文是关于神经流模型Neural Flows的学习笔记
主要是其作为Neural ODE的全新迭代，以及可逆残差网络Invertible Residual Networks和相关补充知识
We are not the stuff that abides,
but patterns that perpetuate themselves.
by Norbert Wiener
本文是关于神经受控微分方程Neural Controlled Differential Equations的学习笔记
主要是Neural CDE对于Neural ODE的反思与改进，以及其与符号回归Symbolic Regression的内在联系。
What I cannot create, I do not understand.
by Richard P. Feynman
本文是关于算子学习Operator Learning的个人笔记
主要是物理信息神经网络PINN、深度算子网络DeepONet的基础知识，以及逆问题求解方法。
本文是学习Neural ODE过程中的第三篇个人笔记
主要是SDE的基本原理、高斯过程近似、重参数技巧和均摊分析
以及在状态估计中的应用，包括Kevin Course和Prasanth B. Nair在2023年Nature和NeurIPS上的论文。
本文是学习Neural ODE过程中的第二篇个人笔记
主要是ODE的基本原理，包括前向计算过程，以及基于伴随方法的反向传播
同时会简要地提一下State Estimation状态估计，其余论文细节以及SDE会在下一次记录。
本文是学习Neural ODE过程中的第一篇个人笔记
为了较为全面地理解其中的VAE思想，首先需要学习一些基础知识，例如Variational Inference变分推断
比较复杂的其他过程，包括ODE、伴随方法、以及更进阶的SDE，会在之后的笔记中再记录。
本文是2019年5月《模式识别》专业课的读书报告
主要内容是在阅读中国科学院自动化所模式识别国家重点实验室刘永成团队的CVPR2019会议论文（oral）
《用于3D点云分析的形状关系卷积神经网络》过程中的个人理解、要点摘录以及收获和感悟。
本文由2019年6月《软件工程》必修课的课程设计报告的AI部分改编
主要介绍了“员工考勤管理系统”课程设计中的员工人脸打卡子系统
该系统使用了Google CoLab提供的在线Tensorflow GPU平台训练得到的DeepID人脸特征提取比对模型，
以及基于该模型搭建的Tensorflow+OpenCV+Flask人脸比对Python服务器