1.1 深度学习在各个领域的应用
目前较为热门的GAN（生成式对抗网络）
1.2 CTR任务
一、当深度学习遇到CTR预估
CTR任务：给定一个商品，给定一个环境，用户购买此商品的概率。应用范围较广。例如有如下场景。
?
比如：输入一部电影，预测会打几分（右边的1，2，3，4，5代表预测分值）
蓝色框：用户
橙色框：电影
黄色框：用户过去看过那些电影，大国那些分数
绿色框：时间
酒红框：相关特征
CTR任务特点：
- 大量离散特征
- 大量高维度稀疏特征
- 特征工程：特征组合对于效果非常关键
?二、传统主流CTR预估方法
1.线性模型：思路及问题
?泛化能力弱：在训练数据中没有的特征，遇到之后便无法处理。
2.FM模型
?3.GBDT模型
?
??
?1.3深度学习基础模型
1.前向神经网络（MLP）
与上一层的关系：全连接
?第一步：对输入值加权求和
?第二步：非线性变换（压缩函数）
目前用的比较多的是ReLU激活函数（如何输入值小于0给0值，大于0，输入何值则为何值）
2.CNN(图像处理)
??输入层一张图片---卷积层--池化层--卷积层--全连接层--输出层
?卷积层：一个卷积核在捕获一个特征。
?在四个里面取最大值输出。参数量越少，模型越小。
?3.RNN(自然语言)
基本结构：
- 输入层
- 隐层
- 输出层?
?输入层，前向层、后向（逆向）层、输出层。------引入双向。
4.LSTM（RNN的改进）
输入层---输入门（控制信息是否可以进入）---遗忘门（控制上个门传入的信息，1代表原封不动传递，0代表屏蔽）---输出们（给人看到多少信息）?
?2.深度学习CTR模型要解决的几个关键问题
?