Through temporal difference (TD) learning, an agent learns from future rewards and backpropagates prediction errors by updating value estimates (continually updating beliefs about future rewards as it approaches the future). It is a core concept of model-free reinforcement learning.
The Rescorla-Wagner model captures key aspects of classical conditioning(Pavlovian experiment). It is based on a simple linear equation that predicts the reward associated with a stimulus.
计算精神病学领域较常见的三类研究范式总结。
概率的数学符号表示。
缺失值处理有时候甚至比机器学习模型本身更重要，因为数据质量决定了预测精度上限，而模型只是去逼近这个上限。但是Missing Data Imputation是个很大的问题，具体情况具体分析，很难一概而论。
这里涉及行业背景；特征间的关系；数据缺失的原因（随机缺失；非随机缺失；完全随机缺失，即只有一部分是可以通过统计方法处理的，另一些只能靠重新采集数据）；缺失值处理方法（少的话直接删掉，或者简单填充，连续数用均值，离散数用众数，也可以建模用统计或机器学习方法填充，也可以不用管，有的模型如XGBoost会自动处理缺失值，对流数据处理方法又有不同）；还有其他诸多因素。
Install Hierachical Drift Diffusion Model via Conda.
相关性不能说明因果。几乎完全依赖于观察，很少做对照实验的社会科学，又怎么度量因果呢？关键在处理混杂因素（Confounder）。这里稍作整理，粗略梳理了一下社会科学中因果推断（Causal Inference）的常用方法，再附上一些实例：
安装记录：Nvidia Driver + CUDA + cuDNN + Anaconda + Tensorflow GPU + PyCharm。至今摸索出的最快捷的方法。
烧个双系统（Windows 10 + Ubuntu 18.04.2 LTS）。
记录下搭建过程，给需要的朋友或者以后作参考。坐标德国，Altenate上入手的大部分，eBay淘的二手机箱。