Awesome GitHub RepositoriesCTR Multi-Task Models

EconML es una biblioteca de Python para inferencia causal diseñada para estimar efectos de tratamiento heterogéneos utilizando una combinación de aprendizaje automático y econometría. Sirve como kit de herramientas para calcular efectos de tratamiento promedio condicionales para determinar cómo las intervenciones específicas impactan a individuos o subgrupos. El proyecto proporciona un framework para el aprendizaje automático doble y el aprendizaje automático ortogonal para aislar señales causales de factores de confusión de alta dimensión. Incluye implementaciones especializadas para bosques causales y aprendices de variables instrumentales, lo que permite la recuperación de relaciones causales incluso en presencia de factores de confusión no observados. La biblioteca cubre una amplia gama de capacidades, incluyendo la validación de modelos causales mediante pruebas de refutación y curvas de calibración, la construcción de políticas de tratamiento personalizadas y el análisis de regímenes de tratamiento dinámicos. También admite la inferencia estadística para la cuantificación de la incertidumbre y la interpretación de la heterogeneidad del efecto utilizando modelos basados en árboles y valores de Shapley. El proyecto se implementa y demuestra principalmente a través de Jupyter Notebooks.

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