贝叶斯模型会自动在复杂和简单模型中找到平衡：既不过于复杂（过拟合，模型仅适用于当前数据集，无法泛化到其他数据集），也不过于简单（欠拟合，模型无法充分解释数据）。

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.

强化学习（Reinforcement Learning）中的状态价值函数（State-value function）和动作价值函数（Action-value function）的关系。

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）

折腾了大半个月搞丹炉，再也不怕笔记本哪天烧了。读书和实习期间经常搬家，一直是用笔记本跑程序，也用过AWS和Google Cloud搞过几个小项目。这么将就了几年，终于醒悟还是需要一个台式机提高工作效率。加上云计算越来越贵，服务器不够稳定，跑跑小demo讲真还是装个台式机经济实惠。