吴良超的学习笔记

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

因《得意忘形》播客认识张潇雨老师，从中听到了不少令人耳目一新的观点，后来发现张老师还是一名对冲基金经理，在得到上有一门课: 个人投资课，总体听下来，将笔者断断续续学习过的一些投资方面的知识串了起来，值得写一篇文章记录一下。

内容总体可分为两大部分：基本投资原则和具体的方法论，课程在讲解过程中将其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。本文主要是市场规律部分相关内容，同时简单介绍了个人投资者现对于专业投资者的一些优势与劣势。

I’ve always believed that looking at things from different perspectives leads to a more comprehensive understanding and interesting conclusions. Therefore, being used to viewing commercial advertising from the RD perspective, I long wanted to see things from the product/operations/sales perspective. Recently I found a course on commercial product managers, “Practical Training for Commercial Product Managers”. Although it’s from a few years ago, some content is still relevant today and gave me a better understanding of commercial products.

The course mainly covers four major parts (actually five chapters, but I skipped the advanced advertising part as I’m familiar with it): definition and evolution of commercial products, responsibilities and methodology of commercial product managers, validating commercial product requirements, and commercial products from 0 to 1. This article follows these four parts, with content organized and only excerpting what I care about. I recommend watching the original video.

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。

From internship to full-time work, I’ve encountered various advertising systems of different sizes—from small DSPs that are “small but complete,” to large media platforms that bundle SSP, ADX, and DSP together. This has given me a preliminary understanding of the advertising systems in the industry. Taking advantage of the May Day holiday, I’m organizing my current knowledge of advertising systems. Since the concept of an advertising system is vast and involves many components, I cannot cover everything comprehensively. This article mainly describes several aspects I care about from multiple perspectives (technical, business, product) in a concise manner. The content may not be complete—feedback and corrections are welcome.

Disclaimer: The content of this article is unrelated to my employer and is mainly based on my current understanding. I will only reference public information and will not involve any unpublished internal information from my employer. If any colleagues find sensitive content, please contact me for removal. In today’s era of open source, widely available papers, and increasing personnel mobility, I believe these general techniques are not the core—data + understanding of business + flexible assembly of these general techniques is what matters.

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。

Machine learning essentially learns the data distribution. Its effectiveness assumes that training and serving data are Independent and Identically Distributed (IID). However, in practice, due to biased sampling and specific scenario constraints, training samples and serving samples are not IID. In advertising scenarios, the most typical example is CVR model training, where training samples are all post-click, but during serving, the CVR model faces all retrieved samples. This type of problem is called exposure bias or sample selection bias. Besides exposure bias, position bias is also a common bias.

This article first briefly introduces common biases in machine learning, then focuses on exposure bias (also called sample selection bias) and current solution approaches. The author summarizes them into three main categories: Data Augmentation, IPS, and Domain Adaptation.