Hugging Face 的入门教程，目标是从0开始训练自己的大模型。

Link

• 调研近年因果发现的最新研究
• 将”因果发现”与”根因分析”以及”基于因果图的因果发现”等概念理清关系
• 从优化的角度重新看待三类因果发现算法, 这可以帮助我们借鉴已有方法到自己的工作中。
• 总结用于因果发现的各种包, 以及Github上star较多的Repositories

撰写本篇笔记的动机来源于一个真实场景中的项目需求——用户行为模式研究。我们总希望能够使用数学的语言来描述用户行为，以便能够推断用户的未来动态，用于优化系统。因此本文首先将给出上述的motivation scenario，然后介绍用于建模场景中用户行为的数学模型——Markov switching Model，以及原因。最后介绍该建模方法背后的数学工具——Markov Chain Monte Carlo。

仅记录一些项目中常用但总记不住的语法，希望能早日记住👐🏻

本文主要梳理建立在概率图模型上的多种概念，及其相关的算法。

仅记录不常用的命令，可能会不全哦👐🏻

本文主要调研了，LTE场景下的异常根因分析（RCA）方法，用于支持在4G LTE/5G场景下的用户投诉分析。

2022-04-18: 以“root cause analysis, cellular network”为关键词，调研了google scholar中top 2 pages的相关工作，TODO: 完善某些论文的可借鉴点总结。

本文档记录了建立基于hexo的网页系统的步骤，并对维护所需要的操作一一列出，日后的本站更新将依据该文档进行。

Note: 随时会更新维护策略

2021-04-13: 整理了微服务框架下，做异常检测的大体思路，分别调研“多源异构数据融合”，以及分别基于“时间序列”“日志”“调用链”数据的异常检测方法。

2022-04-18: 补充了“异常根因分析”相关的工作，这些工作大多是基于图的，可以为4G LTE种的根因分析提供思路。