本系列开始，咱们开始进入一个新的领域方向，也是平台变现的一个重要组成部分，广告反光。首先我们要了解需要广告的收入模式是怎样的？Revenue=PV×CPMCPM=CTR×ACPRevenue=PV \times CPM \\CPM=CTR \times ACPRevenue=PV×CPMCPM=CTR×ACP其中Revenue表示利润，PV表示访问量， CPM是千次展现的收费 。 CPM是通过CT

今天遇到有一个比较有趣的问题， 我想做一个分类问题，预测用户下单的概率，但是我出了对这个下单的概率感兴趣以外，还对下单的总人数感兴趣，中间可能考虑一些补贴的事宜，这个时候就有一个比较有意思的问题， 对于分类问题我们一般关注AUC即可，那么对于这个场景我是否能只关注AUC呢？因为考虑到下单人数的计数，我也想关注MAE，然后就产生了一个很好的问题， AUC和RMSE是否是完全同向的， 以及我们分类使用

本节简介预算控制

今天想和大家讲解

今天咱们再开始一个新的领域的内容，经典的三大范畴，推理论、决策论和控制论是其中一个比较容易被忽视的科学，但是在实际的业务中又有着经典的使用场景，当我们进行成本控制的时候，经常需要控制论中的一些经典知识，现在也抽时间开启这部分内容的学习。一张图反馈与动态反馈是控制的基础， 动态是反馈控制的基础，下图是一个开环回路的示意图。设定值经常是定常的，计算控制量并让执行器进行执行的过程类似一个因果的过程，控制

本章节继续结合一些常见的业务问题介绍一些多任务模型。

接下来这一章，咱们就来介绍一些基于深度学习的方法，当然这类方法理想情况下还是基于实验数据（RCT）进行训练。反事实回归网络（CFR）CFR其实是开启了使用深度学习的方式进行因果推断类任务的一个先河，我们知道，不同于观察模型， 因果类的模型更关注与干预的影响，而非预测值的准确性，想要从理论上得到这个干预的效果，就一定要拉齐环境，或者随机数据进行对比，所以这个网络的设计上就需要满足两方面的要求。具有拉

今天来讨论一个问题，就是xgboost是否能支持类似多任务学习的事情呢?之前听到这个问题还是挺惊奇的，这竟然也可以，今天查阅了部分相关的资料，发现竟然真的可以，我们知道深度学习中的多任务学习是通过一个共享层，建立各个任务之间的关系，通过构建多个任务的帕累托最优解,从而解决多任务的问题，而xgb选择了使用树一条路走到黑，接下来咱们来看看xgb是如何实现多任务学习的。

之前咱们介绍的都是单一模型的预训练方法，这里介绍一个特殊一点的思路，且不说应用程度怎么样，先看看这个模型的设计思路。ELECTRAELECTRA是使用对抗网路的思路进行预训练的方式。其中生成器，一个小的MLM，就是在[MASK]的位置预测原来的词。判别器判断的是输入句子中的每个词是否被替换，需要注意的是这里没有下一句的预测任务。接下来我们来看每个模块。生成器对于生成器来说，其目的是将带有掩码的输入

先来抛一个观点，崎岖的路通往皇宫，平坦的路通往村庄， 这句话想表达的就是一个事情越难其实竞争越少，综合难度未必一定比通往村庄的路代价大。那这里的难又是什么具体含义的。难度简单的事情往往是开头简单，但是你越是想把这个事情做精通，其实难度是陡然攀升的。所以简单的事情其实拼的是后期。上图列举了一个高考的例子，如果你想上大学，考个400分，其实也没有那么难，反而是简单的，但是你想上清华北大，那就要拼的是后

最近看了可以一本挺有趣的书，里面一些经典的语句十分喜欢，这里准备摘抄一些，等以后有机会还能深入阅读，道理愈多，迷茫愈多。

本节继续讲解存储论，不过咱们要加深一下难度，大家知道这个时候不是所有的事情就是100%发生的，一定是已一个概率的形式存在的， 那么本节就要讲的核心内容就是当概率遇上运筹规划，将会有什么有意思的求解方法吗？