计算广告与机器学习-技术分享平台
大家好,欢迎来到CAML-技术分享平台!
CAML平台致力于整理和分享互联网广告领域的核心问题和解决方案。博主水平有限,期望能与对此话题感兴趣的朋友一起学习、交流、探讨与分享。
众所周知,机器学习是一门交叉性很强的学科,而我们这里主要想分享和探讨的是如何利用机器学习这把利器,有效地解决在线广告领域中的学习问题,最终达到通过learning from data提升数据价值和流量变现效率。
注:CAML全称Computational Advertising and Machine Learning,计算广告与机器学习
系列总结
《深入浅出机器学习》
工作之余整理的《深入浅出机器学习》系列笔记,主要从机器学习模型角度按照“家族划分”的方式,整理出机器学习10大家族。不够全面,但涵盖了经典和主要的机器学习算法。
- 第01章:深入浅出ML之Regression家族
- 第02章:深入浅出ML之Entropy-Based家族
- 第03章:深入浅出ML之Tree-Based家族
- 第04章:深入浅出ML之Kernel-Based家族
- 第05章:深入浅出ML之Bayes-Based家族
- 第06章:深入浅出ML之Boosting家族
- 第07章:深入浅出ML之统计学习理论
- 第08章:深入浅出ML之Reinforcement Learning家族
- 第09章:深入浅出ML之Factorization家族
- 第10章:深入浅出ML之Clustering家族
《深度学习与广告应用》
- 第02章:深度神经网络
- 第03章:卷积神经网络及家族
- 第04章:循环神经网络及家族
- 第05章:Embedding方法及应用
- 第06章:图神经网络及应用
- 第07章:Attention机制与Transformer
- 第08章:NLP预训练模型
- 第09章:广告召回算法与系统(未脱敏,暂不对外)
- 第10章:广告预估算法与系统(未脱敏,暂不对外)
- 第11章:广告排序算法与系统(未脱敏,暂不对外)
《机器智能框架与算法》
开源的机器智能工具组件 (Open-source Machine Intelligence Toolkit)主要为两大类智能学习问题提供“完整工具链路”的解决方案。分别是:
大规模机器学习:基于Parameter Server和MPI两套分布式计算框架为基础研发的超大规模机器学习训练工具,可以方便地在Yarn集群提交任务,同时也支持单机版(支持并行计算)。
智能决策:以强化学习为核心技术,基于TensorFlow开发的智能决策算法工具组件,适用于交互场景的决策问题建模和序列化场景的预测建模,如广告投放机制等。
OpenMIT主要基于DMLC基础组件(dmlc-core, rabit, ps-lite等)、深度学习MxNet和TensorFlow研发的机器智能工具组件,并且在广告算法相关场景得到验证并产出不错的效果。
- 第01章:OpenMIT-先睹为快
- 第02章:OpenMIT-系统架构
- 第03章:OpenMIT-机器通信
- 第04章:OpenMIT-算法框架
- 第05章:OpenMIT-学习器
- 第06章:OpenMIT-优化器
- 第07章:OpenMIT-决策系统
- 第08章:OpenMIT-决策算法
- 第09章:OpenMIT-应用实践
- 第10章:OpenMIT-机器智能
《强化学习与智能决策》
- 第01章:强化学习
- 第03章:Multi-Arm Bandit
- 第03章:马尔科夫决策过程
- 第04章:动态规划
- 第05章:蒙特卡罗算法
- 第06章:Q-Learning
- 第07章:深度强化学习
- 第08章:多智能体算法