全球导航卫星系统（GNSS，含GPS、北斗、GLONASS、伽利略等系统）定位的原理是什么？ 通过多颗卫星来确定位置，怎么来具体确认卫星的位置，到卫星的距离？定位精度的影响因素。
有没有大佬能用程序化（函数）的说法解释一下机器学习的流程？ 比如机器学习分成几个模块，分别是什么什么（比如卷积、回归、正向、反向传播、梯度等概念），各自是干什…
Metropolis 蒙特卡罗方法、动力学蒙特卡罗方法、分子动力学方法这三种模拟方法有何特点与差异？ 分子动力学是一个确定性方法，对于整个动力学过程给出模拟；Monte Carlo 是一个基于随机数的统计学方法；
如何通俗易懂地解释遗传算法？有什么例子？ 方弦在科学松鼠会上这篇写的就挺清楚：这是个真实的故事。从前在海岸边有一群扇贝在悠哉游哉地生活繁衍着…
什么是元学习算法？ 对我而言，第一次听到元学习的预述时，是一个极其兴奋的过程：建立不仅能够进行学习，还能学会如何进行学习的机器项目。元学习试图开发出可以根据性能信号做出响应，从而对结构基础层次以及参数空间进行修改的算法，这些算法在新环境中可以利用之前积累的经验。简言之：当未来主义者编织能干的 AI 的梦想时，这些算法是这些梦想必不可少的组成部分。本文的目的在于将这个问题的高度降低，从我们想得到的、自我修正算法做得到的事情出发，到这个领域现在的发展状况：算法取得的成就、局限性，以及我们离强大的多任务智能有多远。为什么人们可以做得到我们做得到的事？具体地讲：在许多强化学习任务中，和人类花费的时间相比，算法需要花费惊人的时间对任务进行学习；在玩 Atari 游戏时，机器需要 83 小时（或 1800 万帧）才能有人类几小时就能有的表现。来自近期 Rainbow RL 论文的图这种差异导致机器学习研究人员将问题设计为：人类大脑中针对这项任务使用的工具和能力是什么，以及我们如何用统计和信息理论的方法转化这些工具。针对该问题，元学习研究人员提出了两种主要理论，这两种理论大致与这些工具相关。学习的先验：人们可以很快地学会新任务是因为我们可以利用在过去。
xgboost原理？ 前几天我在kaggle时，接触到了XGBoost，然后看了陈天奇的论文和PPT，于是写了下面这篇博客，算是为了给自…
编程/码代码速度奇慢，靠自己永远想不出来算法，怎么办？
极大极小算法有些不明白 ？ 为什么是回溯进行相加？怎么取最优算法？先来说极小极大算法主要应用于什么样的游戏： 1.零和游戏（Zero-sum Game）：意思就是你死我活，一方的胜利代表另一方的失败，比如。
