1.布置了作业，部署大模型以及看一下有哪些问题。（我试一下下一个模型吧）
2.模型和求解是两个方法。NLP，仅仅有深度学习不够。
统计学习：解决概率建模之后的求解。（包括随机过程，比如从马尔可夫链收敛的稳态分布进行抽样）
最优化：解决优化建模之后的求解。（不同收敛速度下，怎么办）
强化学习：解决动态交互过程建模&求解。（本质上是概率模型，马尔可夫决策过程，要计算期望）
3.真正的算法工程师还是比较值钱的。因为技术栈构建是比较慢的。
比如说补一下最优化基础。这是需要学习时间的。包括得每周做题。
在公司年薪很高的人都是很大的技术栈，很久培养出来的。
4.语言模型，最本质的是建模联合分布。
怎么建模？
多项式分布.....其他经验分布。
神经网络，训练出一个满足概率定义的函数。
演示一个统计建模过程：
换成条件概率，本质是样本空间的压缩。
本质是计算什么
分类问题的建模
通过独立性假设，减少需要的参数。减少建模的难度。
因果推断
在气温的条件下，冰淇淋销售和犯罪率其实是无关的。（【验证】气温等于某个值的时候，冰淇淋销售和犯罪率是否无关）
但要是没有气温这个条件，你会【假设】当冰淇淋销售增加，犯罪率也在增加。然后你试图控制冰淇淋销售来达到犯罪率的控制！！
优化的时候，加入气温变量，把冰淇淋销售和犯罪率之间的关联就可以删掉了。
【做假设】【验证】【修改】
（为啥有些paper你赶紧没用，因为假设太强了）
建模
全是随机变量
解析解
有解析解，不需要数值近似解（神经网络最小二梯度下降逼近）
求解似然函数是最优化
一个带约束的优化问题。迭代或者求解析解。等式约束拉格朗日乘子法。