Awesome GitHub RepositoriesCTR Multi-Task Models

EconML ist eine Python-Bibliothek für kausale Inferenz, die darauf ausgelegt ist, heterogene Behandlungseffekte unter Verwendung einer Kombination aus maschinellem Lernen und Ökonometrie zu schätzen. Sie dient als Toolkit zur Berechnung bedingter durchschnittlicher Behandlungseffekte, um zu bestimmen, wie sich spezifische Interventionen auf Einzelpersonen oder Untergruppen auswirken. Das Projekt bietet ein Framework für Double Machine Learning und orthogonales maschinelles Lernen, um kausale Signale von hochdimensionalen Störfaktoren zu isolieren. Es enthält spezialisierte Implementierungen für kausale Wälder und Instrumentalvariablen-Lerner, die die Wiederherstellung kausaler Beziehungen selbst bei Vorhandensein unbeobachteter Störfaktoren ermöglichen. Die Bibliothek deckt ein breites Spektrum an Funktionen ab, einschließlich der Validierung kausaler Modelle durch Widerlegungstests und Kalibrierungskurven, der Konstruktion personalisierter Behandlungsrichtlinien und der Analyse dynamischer Behandlungsregime. Sie unterstützt zudem statistische Inferenz zur Quantifizierung von Unsicherheit und die Interpretation von Effekt-Heterogenität unter Verwendung baumbasierter Modelle und Shapley-Werte. Das Projekt wird primär durch Jupyter Notebooks implementiert und demonstriert.

DeepCTR-Torch is a deep learning library for building click-through rate prediction models. It provides a modular framework for assembling custom prediction architectures from pre-built core, interaction, and sequence layers, enabling the construction of deep neural networks that estimate click probability from user behavior data. The library specializes in feature interaction modeling, offering components for learning low-order, high-order, and adaptive-order feature crosses. It supports multi-task learning for predicting multiple objectives simultaneously, such as click and conversion rates