素质云笔记

参考：Python中多层List展平为一层使用Python脚本的过程中,偶尔需要使用list多层转一层,又总是忘记怎么写搜索关键词,所以总是找了很久,现在把各种方法记录下来,方便自己也方便大家.方法很多,现在就简单写8种,后面再对这8种方法做基准测试.声明:文中的方法均收集自Making a flat list out of list of lists in Pythonimport functoolsimport itertoolsimport numpyimport operatori

如果把广告主圈出来的那 10w 用户称为种子用户（「seed users」），那么我们可以把需要额外提供的一批相似的用户称之为 「look-alike users」。我们把这种基于种子用户进行相似人群扩展的过程称之为 「look-alike modeling」。所以，look-alike 并不是某种特定的算法，而是一类建模方法的统称。笔者自己总结比较常规的技术路线是四条：TGI的标签扩散方案，基本可以不用算法，通过数据统计就可以；而且可以往：相关品类/竞品/品牌/搜索/流失人群等扩散优势：逻辑简单

文章目录1 供应链集成系统案例1.1 京东物流一体化供应链1.1.1 算法中台1.1.2 易卜工程化平台1.2 美团：到店供应链及商品平台建设实践2 市面上的供应链解决方案2.1 京慧系统——成熟的企业级客户服务系统2.2 菜鸟网络全套数智化供应链解决方案2.2.1 智能选品2.2.2 联合预测2.2.3 补货分仓2.2.4 一些案例介绍：2.3 得体科技——面向服装行业，打造一站式柔性供应链平台2.4 数势科技：Supply Force智慧供应链平台2.5 杉数科技2.6 顺如丰来2.7 华为云：供应链灵

笔者之前就看到过增强分析这个概念，只不过没有特意留意，最近也是在总结一些手边工作，通过观察了一些技术部门关于数据分析产品的设计思路，笔者觉得增强分析这个概念背后的趋势，确实是现在很多数据分析类产品的趋势。1 数据分析 -> 数据产品的意义2+4+8谷维：快手如何提升数据化管理效率？数据分析和数据产品是提升管理效率的两个重要的能力。接下来，从数据分析和数据产品两个角度介绍一下，如何提升数据化管理效率？1.1 数据分析：要从业务中来，到业务中去只有将业务目标进行拆解，数据量化才会更贴近业务，

笔者近两年都在做智能营销方面的探索，不过最近想稍微切换自己的研究赛道，所以最近想把智能营销方面细枝末节的一些思考发出来。关于活动、节假日、促销等营销方式的因果效应评估前篇是《活动、节假日、促销等营销方式的因果效应评估——特征工程篇（一）》是把给入模型时特征加工的方式列举一下，本篇是想简单总结如何评价一个活动营销方式的好坏；当然方法本身不胜枚举，只能在有限视野里面进行归纳。1 回归的方法活动评价，与笔者之前思考的一个点也是有些共同的《数据科学之 如何找到指标的最 佳分裂点的几个想法》最佳分裂点其实就是

本系列旨在挖掘活动、节假日、促销、优惠券、积分等营销权益因果效应评估，目前规划两个篇幅：第一篇：会收集活动、节假日、促销等营销权益在做一些建模项目中，可以构造成为的特征工程方式第二篇：使用各类模型、方法总结这些营销方式的几种效应评估方法更多是文献整理，主要集中在预测类模型 - 营销方式入模的特征工程文章目录1 活动类特征工程1.1 [竞赛] Corporación Favorita Grocery Sales Forecasting1.22 优惠券类2.1 天池新人实战赛o2o优惠券使用预测2

记录一下刷B站教学视频的一些笔记，目前主刷：李沐老师的【跟李沐学AI】公众号-【NLP从入门到放弃】 的视频文章目录1 Transformer从零详细解读(可能是你见过最通俗易懂的讲解)1.1 整体结构1.2 encoder部分1.2.1 输入部分1.2.2 多头注意力机制1.2.2.1 注意力机制原理1.2.2.2 QKV的获取方式1.2.3 残差1.2.3 layer norm 与BN的差异1.2.4 前馈神经网络1.3 Decoder1.3.1 masked1.3.2 新增的多头注意力机制

1 介绍环节昨天那篇写的是：航拍+AI︱极简的视频风格迁移体验是把航拍的风景图进行整体的风格迁移，不过从成片效果来看，太过于超现实。本篇是想考量局部的风格迁移，使用的是paddlepaddle开源的一款模型，PaddleHub 中的SkyAR，源教程为：SkyAR：一键完成视频魔法换天，不得不说，paddle开源了很多有意思的项目，值得玩一下。先来看看，SkyAR可以实现的效果原视频图：改编视频图：SkyAR 是一种用于视频中天空置换与协调的视觉方法，该方法能够在风格可控的视频中自动

五年前，玩过很简单的风格迁移：迁移学习︱艺术风格转化:Artistic style-transfer+ubuntu14.0+caffe（only CPU）加上最近有点想买个无人机，所以先打个样，看看无人机+AI的一些合成效果。文章目录1 下载一个b站航拍视频2 风格迁移3 效果4 后续的想法1 下载一个b站航拍视频因为无人机还没到。。估计到了，也要很久才能拍得出像样的，所以只能盗视频来试玩了，使用的是开源项目：BBDown一款命令行式哔哩哔哩下载器. Bilibili Downloader

1 安装篇参考：[开发技巧]·PyTorch如何使用GPU加速（CPU与GPU数据的相互转换）安装可以在官方参考代码，最好使用condahttps://pytorch.org/get-started/locally/conda install pytorch torchvision torchaudio cudatoolkit=10.2 -c pytorch检测是否可以使用GPU，使用一个全局变量use_gpu，便于后面操作使用use_gpu = torch.cuda.is_availabl

1 Kats的千辛万苦安装之路不知道是不是笔者的window笔记本的问题，按照kats出现的很多问题安装Kats时候，会报错：error: Microsoft Visual C++ 14.0 or greater is required. Get it with "Microsoft C++ Build Tools": https://visualstudio.microsoft.com/visual-cpp-build-tools/一般是按照prophet的时候会出现：其实是可以 直接跳过

有几篇关联的论文，如果论文开源代码了，笔者比较喜欢读+code练习，所以看这类文献比较慢，先Mark再精读了…文章目录1 Auto IV: Counterfactual Prediction via Automatic Instrumental Variable Decomposition2 ICML & UBC｜Deep IV: A Flexible Approach for Counterfactual Prediction3 Double Robust Representation Le.

文章目录1 导言1.1 KDD2021：盒马-融合反事实预测与MDP模型的清滞销定价算法1.2 本篇想法2 代码2.1 数据生成2.2 DML模型：有干预下的Y增量2.3 Tree-based模型2.4 deepIV训练与预测2.5 结果比较2.6 短期小结1 导言1.1 KDD2021：盒马-融合反事实预测与MDP模型的清滞销定价算法本篇想法来源：因果推断与反事实预测——盒马KDD2021的一篇论文（二十三）盒马论文提到了论文模型：半参数模型，上图是顺着使用数据的比例增加三个模型的RMAE，

文章目录1 导言1.1 价格需求弹性介绍1.2 由盒马反事实预测论文开始1.3 DML - 价格弹性预测推理步骤2 案例详解2.1 数据清理2.2 [v1版]求解价格弹性：OLS回归2.3 [v2版]求解价格弹性：Poisson回归+多元岭回归2.4 [v3版]求解价格弹性：DML2.4.1 DML数据准备 + 建模 + 求残差2.4.2 三块模型对比2.4.3 稳健性评估1 导言1.1 价格需求弹性介绍经济学课程里谈到价格需求弹性，描述需求数量随商品价格的变动而变化的弹性。价格一般不直接影响需求，

参考：KDD2021论文推荐：盒马-融合反事实预测与MDP模型的清滞销定价算法Markdowns-in-E-Commerce-Fresh-Retail-A-Counterfactual-Prediction-and-Multi-Period-Optimization-Approach利用机器学习因果推理进行弹性定价数据分析36计(29)：价格需求弹性和因果推断简单版：DML.ipynb数据集：Association Rules and Market Basket Analysis论文地址：h

之前一篇:跟着开源项目学因果推断——CausalImpact 贝叶斯结构时间序列模型（二十一）这里另外写一篇来继续研究一下CausalImpact这个开源库的一些细节的1 CausalImpact 一些可调参数1.1 CausalImpact默认的两种算法CausalImpact默认使用TensorFlow Probability来求的两种算法，分别是Variational Inference和Hamiltonian Monte CarloVI，变分推断，变分推断（Variational In

文章目录1 Causal Impact与贝叶斯结构时间序列模型1.1 观测数据下Causal Impact的背景由来1.2 贝叶斯结构时间序列模型1.3 谷歌的Causal Impact2 一些案例2.1 CausalImpact的时序选择2.2 日文案例:CausalImpactの理解と実装2.3 [翻译]R语言案例：An R package for causal inference using Bayesian structural time-series models3 官方：TensorFlow C

文章目录0 观测数据的估计方法0.1 Matching0.2 Propensity Score Based Methods0.2.1 PSM0.2.2 IPW0.2.3 Doubly Robust0.2.4 数据驱动的变量分解算法（D²VD）0.3 Directly Confounder Balancing0.3.1 Entrophy Balancing0.3.2 Approximate Residual Balancing1 DR ：Doubly Robust1.1 DR的理论基础1.1.1 ATE的估计

文章目录1 因果推断与线性回归的关系1.1 DML的启发1.2 特殊的离散回归 = 因果？2 因果推断中的ITE 与SHAP值理论的思考1 因果推断与线性回归的关系第一个问题也是从知乎的这个问题开始：因果推断（causal inference）是回归（regression）问题的一种特例吗？其中经济学大佬慧航提到过，回归只是工具，因果推断可以用，其他研究方向也可以用。在此给出我的看法，因果推断，是需要考虑干预得（Y|X,T），其中干预效应是主要的差异点；而一般的多元，只是(Y|X)，并