本期内容概览：

复杂网络中的社团结构 | 课程上新
复杂性研究的生物学视角|生命复杂性系列读书会第三期
因果推理和迁移学习 | 因果科学与Causal AI读书会第 9 期
依据部分被观测到的混沌系统，学习其隐藏动力学 |Openlab内部读书会第六期
基于模型的因果归因方法|Openlab内部读书会第七期
用时序数据进行网络重构的方法局限性讨论|Openlab内部读书会第八期分享

复杂网络中的社团结构

课前介绍和课程概览

本课程中，目的是介绍理解和识别一个复杂网络的社区结构所需的概念。将讨论如何定义社区，探索不同的社区性质，介绍基于不同原则的一系列社区识别算法。

课程学习

学习地址：

https://campus.swarma.org/course/1752

或点击“阅读原文”

复杂性研究的生物学视角

点击文字了解更多课程相关信息

课程概览

课程背景

生命是什么？生命怎样起源？生命怎样演化？这些是对生命现象的本质追问，除了传统的生物学研究，如今有大量来自信息、物理、计算机领域的工具方法，正在揭开生命复杂性谜题。

本期分享，将从生物学视角，梳理复杂性研究历程、工具、方法以及误区，并从模式生成和主体生成两个方向探讨系统生物学及生命起源问题。

课程学习

学习地址：

https://campus.swarma.org/course/2133

或点击“阅读原文”

因果推理和迁移学习

点击文字了解更多课程相关信息

课程概览（宫明明）

课程概览（郭家贤）

课程概览（丁晨炜）

本课程是“因果科学与Causal AI”读书会将进行第八期的线上论文分享，主题是“因果机器学习”，将由亚利桑那州立大学博士郭若城来进行分享。

大数据的出现使得许多学科在学习和预测方面取得了革命性的成功。但是，当前的机器学习模型的一个主要缺点是缺乏对新领域的适应性和泛化能力。也就是说，标准的监督学习模型在数据分布发生变化时预测性能会显著下降。在本次读书会，我们将重点讲述如果利用因果模型理解和建模不同领域的分布变化。因为因果系统的独立模块性质，我们可以将复杂的分布分解成小的模块，发掘分布在不同领域的不变性和变化性，从而开发出具有领域自适应能力的高效迁移学习算法。以下是本次读书会的大纲：