AI & Mathematics
從確定性微分方程走向含譟動力系統，理解 drift、diffusion、Itô 積分與隨機微分方程。
AI & Mathematics
比較 ensemble average 與 time average，理解何時一條足夠長的樣本路徑能夠代表整體機率分佈。
AI & Mathematics
從濾過和條件期望出發，理解鞅的公平遊戲直覺、停止思想及其在機率論中的作用。
AI & Mathematics
通過有限維高斯分佈、平均值函數和共變異數核，理解高斯過程如何描述函數上的機率分佈。
AI & Mathematics
從縮放後的隨機遊走出發，理解布朗運動的獨立增量、連續路徑和高斯結構。
AI & Mathematics
將泊松過程推廣到任意非負到達間隔，理解更新計數、更新函數和長期更新率。
AI & Mathematics
從計數過程、獨立增量和指數等待時間出發，理解泊松過程描述隨機事件到達的方式。
AI & Mathematics
區分 hitting time、first passage time 與 stopping time，理解隨機過程何時第一次發生目標事件。
AI & Mathematics
從一維簡單隨機遊走出發，理解隨機增量如何累積，以及擴散、復現性與布朗運動之間的聯繫。
AI & Mathematics
從轉移矩陣與平穩分佈出發，理解馬爾可夫鏈的不可約性、週期性和長期收斂行為。
AI & Mathematics
解釋馬爾可夫性質的條件獨立含義，以及狀態設計為什麼決定一個過程能否被視為馬爾可夫過程。
AI & Mathematics
從樣本平均出發，理解大數定律如何產生宏觀穩定性，以及中心極限定理如何描述剩餘隨機波動。
AI & Mathematics
理解隨機過程中的嚴格平穩、弱平穩和平穩增量，以及統計規律隨時間保持不變的真正含義。
AI & Mathematics
從邊緣分佈走向聯合分佈，理解平均值、共變異數、自相關以及隨機過程真正研究的依賴結構。
AI & Mathematics
從隨機變數、隨機向量和樣本路徑出發，建立隨機過程與隨機場的基本直覺。
AI & Mathematics
系統梳理 World Models 的 VAE、MDN-RNN 與 Controller 三個模組，以及智慧體在內部世界模型中學習策略的完整流程。
AI & Mathematics
解讀 SwarmWorld 中的共享環境、跡化協調，以及基於行為軌跡形成的動態角色。
AI & Mathematics
從 REINFORCE 的高變異數問題講起，推導 PPO 的 clipped surrogate objective 和 GAE，再落到 LLM RLHF 裡 Policy/Reference/Reward/Critic 四個模型如何協同工作，以及 KL 懲罰、reward hacking 等實踐問題。