深度学习在CTR领域实践（Workshop培训）

深度学习在CTR领域实践

课程简介：

CTR预估是目前各个互联网公司中广泛使用的应用任务，各种计算广告和推荐等排序任务中大量使用CTR预估相关技术,主流的CTR预估方法包括LR／GBDT等树模型／FM因子分解机等模型。

深度学习目前在图像处理／语音识别／自然语言处理等取得了突破性的进展，并在工业界获得广泛应用并取得了非常亮眼的效果。目前主流的CTR预估方法是如何做的？如何将深度学习应用在CTR预估任务中，并取得超过传统方法的效果？目前的主流结合方法有哪些？各自有哪些优点缺点？目前较好的深度CTR模型有哪些好的模型结构及训练方法？...通过本课程可以了解上述问题的答案。

课程大纲：

1.CTR预估问题简介
2.几种主流的传统CTR预估方法介绍：
2.1 LR
2.2 树模型：GBDT
2.3 FM模型

3.深度学习基础模型
3.1 前向神经网络MLP
3.2 CNN模型
3.3 RNN模型

4.深度学习CTR预估模型
4.1 深度学习CTR模型要解决的几个关键问题
4.2深度模型和类FM模型采用并行结构的深度CTR模型
4.3 深度模型和类FNM模型采用串行结构的深度CTR模型

5.深度学习CTR优选模型结构及训练方法经验总结

听众收益：

1.了解CTR预估的各种互联网应用场景；
2.了解CTR预估中的主流方法的思路及对应的优缺点；
3.了解工业界应用中特征工程方面的一些常见的方案和实际使用方式；
4.了解常见的深度学习基础模型；
5.了解如何利用深度学习应用在CTR预估任务中：目前学术前沿及工业界的应用等；