张潇雨的个人投资课(2)-投资工具与自我局限
本文是听了 个人投资课 后的一些笔记, 课程主要内容可划分为如下四个部分:市场规律、投资工具、自我局限和投资组合构建,前三个部分主要讲一些投资过程中最容易犯的错误,最后一部分则是讲一些具体的投资方法。
本文是第二部分和第三部分的内容,主要介绍了在投资过程中对一些投资产品的误解,以及投资过程中的一些自我局限。课程第一部分的内容介绍可参考 张潇雨的个人投资课(1)-市场规律
本文是听了 个人投资课 后的一些笔记, 课程主要内容可划分为如下四个部分:市场规律、投资工具、自我局限和投资组合构建,前三个部分主要讲一些投资过程中最容易犯的错误,最后一部分则是讲一些具体的投资方法。
本文是第二部分和第三部分的内容,主要介绍了在投资过程中对一些投资产品的误解,以及投资过程中的一些自我局限。课程第一部分的内容介绍可参考 张潇雨的个人投资课(1)-市场规律
一直觉得从不同视角去看事情,往往能有更全面的了解,也能得出一些更有趣的结论。因此,习惯了从 rd 视角去看商业化广告,老早就想从产品/运营/销售的视角去看这个事情,最近正好找到关于商业化产品经理的一门课,即《商业产品经理的实战修炼》,虽然是几年前的课程,但是其中一些内容放到今天也是值得参考的,也让笔者对商业产品有了进一步的理解。
课程里主要讲了四大部分内容(其实是五章,但是因为对广告进阶这部分比较熟悉,所以略过了这部分):商业产品的定义及演进、商业产品经理的职责与方法论、有效的商业产品需求、商业产品从0 到 1,下文也是按照这四部分展开,内容经过梳理且只摘录了笔者比较关心的一些内容,推荐看原视频。
本文是《认知红利》下半部分内容的笔记(书里的上半部分的内容可参考《认知红利》阅读笔记(1)-概念重塑),这里的“大脑升级”采用的是原书的大标题,简单来说就是这部分内容侧重方法论,主要介绍了一些分析问题、解决问题的思维方式,具备一定的实践意义,本文记录了对笔者而言印象比较深刻的观点,推荐读一下原书。
最近在看《认知红利》,提到认知,笔者第一时间想到的是认知的四个阶段:不知道自己不知道 -> 知道自己不知道 -> 知道自己知道 -> 不知道自己知道;以及《三体》里那句有名的 “弱小和无知不是生存的障碍,傲慢才是”,而笔者觉得傲慢的原因正是因为“不知道自己不知道”且不愿意去了解,如同井底之蛙一样的看不到更先进的技术,一如闭关锁国的清末,三体里被水滴几乎团灭的人类太空舰队。
回到这本书,可以说是在解决“不知道自己不知道”的问题,而且书里不仅提供了鸡汤,还提供了勺子(即方法论)。虽然这本书在豆瓣上褒贬不一,诟病之处无非是这本“借鉴”了很多其他作品;但是对笔者这种看不懂那些晦涩的大部头、时间不多的“打工人”来说,也不失为一种较好的选择,因为这本书可以说是对其他一些作品里的内容的提炼。整本书可分为两大部分:概念重塑和大脑升级,前者主要是概念重构,后者则侧重方法论。本文主要与概念重塑相关,而且只记录了对笔者而言印象比较深刻的观点,推荐读一下原书。
最近在找资料的时候意外发现一个与快速阅读相关的干货, 就是在得到这个 app 上的一门课《怎样成为快速阅读的高手》,里面介绍了快速阅读的一个比较系统的方法论,总结来说就是阅读三步法:评测、速读和精读。笔者对其中的不少观点有共鸣,因此在本文摘录一些印象深刻的地方,推荐去听原始的课程,也许会有更大收获,也算是支持一下课程的作者。
从实习到工作,接触过一些大大小小的广告系统,有麻雀虽小但五脏俱全的小 dsp,也有把 ssp、adx、dsp 都打包了的大媒体 ,算是对业界的广告系统有了一个初步的了解。趁着五一放假这几天,简单地梳理一下当前了解到的广告系统知识,主要是想对零散的知识做个整理,由于广告系统这个概念非常的大,涉及到的部分非常的多,无法面面俱到,所以本文主要是从几个视角(技术、业务、产品)言简意赅的描述一下笔者比较关心的几个部分,中间内容可能不全,欢迎交流指正。
特意声明,本文内容与笔者雇主无关,主要是基于笔者当前的认知梳理的内容;在撰写过程中只会引用公开的内容,不会涉及到笔者雇主内部未公开的信息;如相关同学觉得有敏感内容,可联系删除。而其实在崇尚开源、paper 漫天飞、人员流动越来越快的如今,笔者觉得这些通用技术并不是最核心的地方,数据+对业务的理解+灵活组装这些通用的技术才是。
机器学习本质上是在学习数据的分布, 其有效性的假设是模型 training 和 serving 时的数据是独立同分布(Independent and Identically Distributed, IID) 的,但是在实际应用中,由于采样有偏、具体场景等约束, training 的样本与 serving 时的样本并不是 IID 的。在广告场景下,最典型的就是训练 cvr 模型时,训练样本都是 post clicked 的,但是 serving 时,cvr 模型面临的是所有被召回的样本;这类问题也被称为 exposure bias 或 sample selection bias,除了 exposure bias,position bias 等也是常见的 bias。
本文首先会简单介绍一些机器学习中的常见 bias,并着重介绍上面提到的 exposure bias(也叫 sample selection bias) 的在当前的一些解决思路, 笔者将其总结为 Data Augmentation、IPS 和 Domain Adaption 三大类方法。
转化是有延迟的,即在点击发生后过一段时间用户可能才会发生转化,且往往转化漏斗越深,延迟的时间越长;在计算广告中,delayed feedback 主要影响下面两个场景
对于场景1,影响体现在(1)过早把样本送入模型,把最终会转化但是还没回传 label 的事件当做负例,导致模型低估(2)过晚把样本送入模型,即让所有样本都等待一个足够长的时间才送入模型,导致模型没能及时更新
对于场景2,影响体现控制器控制 cost/value=target 时,分母会小于实际值,导致控制的不稳定
本文主要介绍三篇 paper 针对这个问题在场景 1 的一些解决思路,其中涉及到的一些方法也能应用到场景 2 中(而如果问题 1 能被较好地解决,也能基于预估值而不是后验数据进行调价)