因果推断系列第二篇，基于因果推断综述论文，系统介绍因果推断的基本符号、关键假设和核心定义。

系统学习强化学习中的策略梯度与价值方法两大类参数更新算法，涵盖 PPO、Q-Learning 等核心方法的原理与公式推导。

因果推断入门系列第一篇，基于 Brady Neal 的课程，从辛普森悖论出发揭示相关性与因果性的本质区别。

对 LangChain 框架的核心组件（Prompts、Models、Indexes 等）进行学习记录与解读，加入个人理解与代码注释，方便快速上手。

从多个角度探讨 L1 和 L2 正则化的原理，解释其为何能有效防止模型过拟合，涵盖公式推导、几何解释和贝叶斯视角。

探讨 SGD 与 Adam 优化器下 Weight Decay 和 L2 正则化的等价性差异，引入 AdamW 优化器的设计动机与原理。

介绍 KL 散度（Kullback-Leibler divergence）的定义、离散与连续版本的公式，以及其在衡量两个概率分布差异性中的核心作用。

利用 Transformer Decoder 从零实现一个简单的文本生成器，涵盖数据构造、Mask Attention、Positional Encoding 等核心组件的代码实现。