Multi-Task Learning（MTL）即多任务学习，在一些领域也被称为多目标学习。MTL与常规单任务模型的区别在于，MTL仅使用一个模型就可以处理多个任务。比如对于手机唤醒这个场景，一般需要两个模型，一个模型来检测是否是手机用户的语音，避免环境音和自身回音干扰，另外一个模型用于检测用户语音是否有唤醒词（如：Hey Siri、小爱同学等）。借助MTL，则可以在一个模型中同时完成上述两个任务。再比如，阿里巴巴针对电商领域提出的ESMM模型，对CTR和CVR两个任务同时建模，解决了训练空间和预测空间不一致的问题，并同时利用点击数据和转化数据进行全局优化。

在学习《流畅的Python》这本书籍时，有一些理解不够透彻的知识点，包括eval函数、装饰器、闭包、可变与不可变数据类型、浅拷贝和深拷贝等。

2020年10月，在CCF大赛主页看到了风电机组异常数据识别与清洗的比赛，提供了12台风机的一年的SCADA（数据采集与监视控制系统）真实运行数据，因为收集的数据来自实际运行的风机，存在大量异常点，举办方希望参赛者根据提供的数据集建立无监督聚类模型，识别出SCADA数据中的异常数据。我们比赛中最好成绩排名为第6名，后来有好多大神找到了更多的异常点，排名直线上升。我们A榜最终成绩排名为15/1122，B榜最终成绩排名为18/1122。

CCF大赛官网：https://www.datafountain.cn/competitions

比赛链接：https://www.datafountain.cn/competitions/451

这次调研主要是对强化学习在自然灾害和智慧城市中的应用，共包含四篇论文：

• Firm-level behavior control after large-scale urban flooding using multi-agent deep reinforcement learning（GeoSim’19, Chicago, IL, USA）洪灾后企业交易链恢复问题。
• Coordinating Disaster Emergency Response with Heuristic Reinforcement Learning 飓风引发洪灾的救援调度问题。
• Multi-agent reinforcement learning for adaptive demand response in smart cities （Journal of Physics CISBAT 2019）建筑物群控温节省电费问题。
• A Deep Reinforcement Learning-Enabled Dynamic Redeployment System for Mobile Ambulances（2019 UbiComp）救护车护送患者后重新部署问题。

下面按照应用场景，数据，方法和评估来介绍上述文章。

这篇博客主要记录自己在使用Linux服务器时，常使用的一些命令以及需要掌握的知识。其中部分内容参考了一些博主的总结，并附上了参考链接，后续内容会根据自己的学习历程持续更新。

这次调研主要参考了2017年的一篇综述《Network Community Detection: A Review and Visual Survey》，文中主要介绍了基于统计推断和机器学习的社区检测方法，还包括一些公开数据集和评估指标等，这里只介绍一些传统方法，更多可以看原论文和参考中第二个链接。

这次调研主要是从参考了发表在IJCAI 2020上一篇综述《Deep Learning for Community Detection: Progress, Challenges and Opportunities》，作者以三种广泛的深度学习方法回顾了社区检测领域中模型和算法开发的技术趋势以及当前的发展状况，并确定了需要通过深度学习来克服社区发现的七个挑战。

首先，我们要明确为什么要在Python中调用C？比较常见原因如下：

• 你要提升代码的运行速度，而且你知道C要比Python快50倍以上。
• C语言中有很多传统类库，而且有些正是你想要的，但你又不想用Python去重写它们
• 想对从内存到文件接口这样的底层资源进行访问。
• 不需要理由，Just想玩玩。

更详细请点击这里。

本文主要介绍一些自己阅读推荐统的论文笔记，会不定期更新，目前是排序学习的一些相关论文。

• 排序是对一组物品列表按照某种方式进行排序，来最大化整个列表的效用的过程，广泛应用于搜索引擎、推荐系统、机器翻译、对话系统甚至计算生物学。一些监督机器学习技术经常被广泛应用在这些问题中，这些技术称作排序学习技术。