<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[互联网广告从业者，长期关注AI、计算广告以及搜广推相关技术，致力于广告投放、广告策略以及底层技术透明可视，太阳底下没有新鲜事，人人可懂可会]]></title><description><![CDATA[互联网广告从业者，长期关注AI、计算广告以及搜广推相关技术，致力于广告投放、广告策略以及底层技术透明可视，太阳底下没有新鲜事，人人可懂可会]]></description><link>https://blog.csdn.net/fangqingan_java</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; fangqingan_java]]></copyright><item><title><![CDATA[读《前线部署工程师-Forward Deployed Engineer-FDE》番外篇：FDE 的工具箱集锦]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/167127086</link><guid>https://blog.csdn.net/fangqingan_java/article/details/167127086</guid><author>fangqingan_java</author><pubDate>Mon, 05 Oct 2026 14:26:55 +0800</pubDate><description><![CDATA[本文系统梳理FDE（智能体交付工程师）的工具箱，将原五层架构扩展为八层，涵盖发现、平台底座、模型接入、智能体与RAG、评估可观测、数据集成、交付部署及知识沉淀。结合2026年公开资料，明确各层核心工具与适用场景，并以“鲜邻”超市为例，提出两周验证的最小可行组合。强调平台底座为第一优先级，提供选型原则与避坑指南，助力FDE高效落地。]]></description><category></category></item><item><title><![CDATA[读《前线部署工程师-Forward Deployed Engineer-FDE》笔记（四·终篇）：用一个 180 天的故事，把整本书串起来]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/167126902</link><guid>https://blog.csdn.net/fangqingan_java/article/details/167126902</guid><author>fangqingan_java</author><pubDate>Mon, 05 Oct 2026 13:58:29 +0800</pubDate><description><![CDATA[本文以一家国内AI创业团队N公司180天实战案例，全景呈现FDE方法论在小团队中的落地路径：从PSF三道关筛选客户，到影子工作法与MVD最小可行部署，再到热修复激活关键用户，最终通过沉淀手册实现第二单周期缩短40%。案例揭示方法论在真实场景中的运作逻辑，也暴露真空层、商业模式质疑等隐性挑战。附赠可直接使用的行动清单与五句核心洞察，助小团队高效复制成功。]]></description><category></category></item><item><title><![CDATA[读《前线部署工程师-Forward Deployed Engineer-FDE》笔记（三）：让下一个客户更好做]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/167125872</link><guid>https://blog.csdn.net/fangqingan_java/article/details/167125872</guid><author>fangqingan_java</author><pubDate>Mon, 05 Oct 2026 11:54:03 +0800</pubDate><description><![CDATA[本文探讨FDE（现场交付工程）规模化复制的核心逻辑：避免陷入“每客户都重做”的咨询式陷阱。通过“定制量递减”曲线判断真伪，提出三级杠杆——知识、组件、产品复制，强调失败经验是复用的原材料。关键在于将现场解法产品化，用“产品化四问”筛选可沉淀能力，最终实现毛利率从30%升至60%，模型越强，FDE价值越高。]]></description><category></category></item><item><title><![CDATA[读《前线部署工程师-Forward Deployed Engineer-FDE》笔记（二）：签约之后，才是真正的开始]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/167051989</link><guid>https://blog.csdn.net/fangqingan_java/article/details/167051989</guid><author>fangqingan_java</author><pubDate>Sun, 04 Oct 2026 09:23:00 +0800</pubDate><description><![CDATA[FDE公司通过“让人信、用、留、多买”四步策略，实现企业客户深度建联与持续盈利。从选灯塔客户、绘制五张地图尽调，到以结果为导向的提案设计，强化信任；通过降低使用门槛、热修复与习惯养成机制推动真实激活；用健康分预警流失风险，保障续约；并以免费验证、按结果收费及内部扩张促进增购。核心在于：不靠承诺，而靠可检验的结果赢得长期价值。]]></description><category></category></item><item><title><![CDATA[读《前线部署工程师-Forward Deployed Engineer-FDE》笔记（一）：FDE，就是把工程师送到问题旁边]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/166950978</link><guid>https://blog.csdn.net/fangqingan_java/article/details/166950978</guid><author>fangqingan_java</author><pubDate>Fri, 02 Oct 2026 00:31:14 +0800</pubDate><description><![CDATA[这一两年，FDE（Forward Deployed Engineer，前线部署工程师）突然火了：招聘平台上的相关岗位一年涨了七倍多，OpenAI、Anthropic 都在抢人，有风投直接称它为"科技行业最热门的岗位"。一边是企业 AI 项目大面积"成功上线却没人用"，一边是这个岗位被疯抢，两件事放在一起，很难不让人好奇。「给间谍做软件的一个挑战是：我不认识任何间谍。」—— 鲍勃·麦格鲁（Bob McGrew）]]></description><category></category></item><item><title><![CDATA[广告系统中行业化算法策略-先导篇：天下没有免费的午餐]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/166257292</link><guid>https://blog.csdn.net/fangqingan_java/article/details/166257292</guid><author>fangqingan_java</author><pubDate>Tue, 22 Sep 2026 00:00:50 +0800</pubDate><description><![CDATA[广告系统的技术方向可以拆成中台策略、行业策略、流量策略三大块，它们分别代表平台、客户、用户三方的利益，既相互依赖又相互博弈。本系列聚焦其中最少被系统讲述的一块——**行业策略优化**，讲清它做什么、为什么难、以及怎么做]]></description><category></category></item><item><title><![CDATA[深度学习（Deep Learning）读书思考八：循环神经网络三（RNN应用）]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/53232415</link><guid>https://blog.csdn.net/fangqingan_java/article/details/53232415</guid><author>fangqingan_java</author><pubDate>Sun, 20 Nov 2016 11:30:18 +0800</pubDate><description><![CDATA[概述

通过前两小节的介绍，可以清楚的了解RNN模型的网络结构以及LSTM。本小节主要介绍RNN其他变形以及应用，包括


  1.GRU单元 
  2.序列到序列（Seq2Seq）模型 
  3.注意力（Attention）模型 
  4.RNN在NLP中的应用 
  5.总结


GRU单元

GRU通过引入重置门和遗忘门来解决长期依赖问题，相对于LSTM有更少参数并且在某些问题上，效果好于L]]></description><category></category></item><item><title><![CDATA[深度学习（Deep Learning）读书思考七：循环神经网络二（LSTM）]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/53019285</link><guid>https://blog.csdn.net/fangqingan_java/article/details/53019285</guid><author>fangqingan_java</author><pubDate>Sun, 20 Nov 2016 11:29:30 +0800</pubDate><description><![CDATA[概述]]></description><category></category></item><item><title><![CDATA[深度学习（Deep Learning）读书思考六：循环神经网络一（RNN）]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/53014085</link><guid>https://blog.csdn.net/fangqingan_java/article/details/53014085</guid><author>fangqingan_java</author><pubDate>Sun, 20 Nov 2016 11:28:58 +0800</pubDate><description><![CDATA[概述

循环神经网络（RNN-Recurrent Neural Network）是神经网络家族中的一员，擅长于解决序列化相关问题。包括不限于序列化标注问题、NER、POS、语音识别等。RNN内容比较多，分成三个小节进行介绍，内容包括RNN基础以及求解算法、LSTM以及变种GRU、RNN相关应用。本节主要介绍


  1.RNN基础知识介绍 
  2.RNN模型优化以及存在的问题 
  3.RNN模]]></description><category></category></item><item><title><![CDATA[深度学习（Deep Learning）读书思考五：卷积神经网络（CNN）]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/51933466</link><guid>https://blog.csdn.net/fangqingan_java/article/details/51933466</guid><author>fangqingan_java</author><pubDate>Sun, 20 Nov 2016 11:28:09 +0800</pubDate><description><![CDATA[概述]]></description><category></category></item><item><title><![CDATA[深度学习（Deep Learning）读书思考四：模型训练优化]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/51872466</link><guid>https://blog.csdn.net/fangqingan_java/article/details/51872466</guid><author>fangqingan_java</author><pubDate>Sun, 20 Nov 2016 11:27:29 +0800</pubDate><description><![CDATA[概述

机器学习应用包括模型构建、求解和评估，对于深度模型而言也是类似，根据之前的介绍可以构建自己的深度神经网络结构。相对于一般的优化问题，深度模型更难优化，本节主要介绍深度学习模型优化挑战、优化算法以及优化策略等。


  
  深度学习模型优化挑战
  深度学习优化算法
  深度学习中的特殊策略
  


另外，关于更多数值优化技术可以参考。数值优化技术



深度学习优化挑战



机器学习]]></description><category></category></item><item><title><![CDATA[深度学习（Deep Learning）读书思考三：正则化]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/51816002</link><guid>https://blog.csdn.net/fangqingan_java/article/details/51816002</guid><author>fangqingan_java</author><pubDate>Sun, 20 Nov 2016 11:26:30 +0800</pubDate><description><![CDATA[概述

正则化是机器学习中非常重要并且非常有效的减少泛华误差的技术，特别是在深度学习模型中，由于其模型参数非常多非常容易产生过拟合。因此研究者也提出很多有效的技术防止过拟合，比较常用的技术包括：


  
  参数添加约束，例如L1、L2范数等
  训练集合扩充，例如添加噪声、数据变换等
  Dropout
  


该文主要介绍深度学习中比较常见几类正则化方法以及常用参数选择，并试图解释其原理。]]></description><category></category></item><item><title><![CDATA[深度学习（Deep Learning）读书思考二：前向神经网络]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/51723870</link><guid>https://blog.csdn.net/fangqingan_java/article/details/51723870</guid><author>fangqingan_java</author><pubDate>Sun, 20 Nov 2016 11:25:56 +0800</pubDate><description><![CDATA[概述


  深度学习也是机器学习的一种，是由前向神经网络或者多层感知机算法演化而来，由于计算资源和可计算数据增加，神经网络的效果逐渐浮现出来，从而迎来了蓬勃发展。本节主要介绍深度学习中基础网络结构前向神经网络(Feedword Netural Network)




FNN基本概念

机器学习都是在学习一种变换，深度学习也不例外，即y=f(x)=ϕ(x;θ)y=f(x)=\phi(x;\the]]></description><category></category></item><item><title><![CDATA[深度学习（Deep Learning）读书思考一：基本概念]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/51571056</link><guid>https://blog.csdn.net/fangqingan_java/article/details/51571056</guid><author>fangqingan_java</author><pubDate>Sun, 20 Nov 2016 11:25:05 +0800</pubDate><description><![CDATA[概述


  《Deep Learning》是大神Yoshua Bengio关于深度学习的一个全面概述，之前也出过很多综述类的文章。 
  该系列读书思考笔记主要记录深度学习中需要关注或者实际工业界使用的知识点或者技术，方便查阅和备忘。 
  本节可能会罗列很多技术点，后面慢慢补充。




人工智能图谱

机器学习的终极目标是人工智能（AI），目前AI的痛点在于人很容易理解的知识，机器很难去表示]]></description><category></category></item><item><title><![CDATA[【每周一文】Sequence to Sequence Learning with Neural Networks（2014）]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/53232030</link><guid>https://blog.csdn.net/fangqingan_java/article/details/53232030</guid><author>fangqingan_java</author><pubDate>Sun, 20 Nov 2016 11:24:03 +0800</pubDate><description><![CDATA[概述

DNN已经被成功用于多种AI任务，并取得很多可喜的成绩，例如语音识别、图片分类等。然而它们都不能处理序列到序列的任务，该文提出了一个端到端的（End To End）模型处理序列到序列的任务。 
本文主要介绍：


  1.Seq2Seq任务描述 
  2.Seq2Seq模型介绍


任务描述

在自然语言处理中有很多任务都可以归约为序列到序列的任务，例如： 
1.机器翻译问题 
2.语音识]]></description><category></category></item><item><title><![CDATA[【每周一文】Convolutional Neural Network for text/sentence classification（2016）]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/51559758</link><guid>https://blog.csdn.net/fangqingan_java/article/details/51559758</guid><author>fangqingan_java</author><pubDate>Sun, 20 Nov 2016 11:23:01 +0800</pubDate><description><![CDATA[概述

卷积神经网络（CNN）相比于基于词袋模型的DNN有以下优点： 
1. 能够捕获局部的位置信息 
2. 能够方便的将不定长的输入转换成定长输入接入到DNN网络中 
3. 相比于RNN模型计算复杂度低，在很多任务中取得不错的效果。

在自然语言处理（NLP）的分类任务中，文本分类或者句子分类也能表现比较好的效果，甚至达到state of art效果。

另外如果借助于预训练的词向量、字向量或者]]></description><category></category></item><item><title><![CDATA[【每周一文】Convolutional Neural Networks And Application for NLP]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/51378981</link><guid>https://blog.csdn.net/fangqingan_java/article/details/51378981</guid><author>fangqingan_java</author><pubDate>Sun, 20 Nov 2016 11:21:43 +0800</pubDate><description><![CDATA[概述


  卷积神经网络的提出主要是应用于图像识别，由于其效果比较显著逐渐扩展到语音识别和自然语言处理等领域。本文主要介绍 
  1. 卷积的概念 
  2. 卷积神经网络 
  3. 卷积神经网络在NLP中的应用 
  4. 总结




卷积

一维（1D）卷积

根据维基百科上的定义，一维卷积定义如下：f(x)∗g(x)=∫∞−∞f(τ)g(x−τ)dτ f(x)*g(x)=\int_{-]]></description><category></category></item><item><title><![CDATA[【每周一文】A Primer On Neural Network Models for NLP]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/51296614</link><guid>https://blog.csdn.net/fangqingan_java/article/details/51296614</guid><author>fangqingan_java</author><pubDate>Sun, 20 Nov 2016 11:20:18 +0800</pubDate><description><![CDATA[概述


  该文概要介绍了一些神经网络模型如何应用到NLP相关的任务上，对于想使用神经网络技术来解决NLP相关任务的初学者非常有帮助，可以当做一个综述文章来读。主要介绍以下几个主要知识点： 
  1. 神经网络问题建模和求解 
  2. NLP问题建模 
  3. NLP中应用的神经网络结构 
  4. 总结




神经网络问题建模

用机器学习模型解决实际问题时，需要解决三个主要问题输入输出]]></description><category></category></item><item><title><![CDATA[【每周一文】Field-aware Factorization Machine（2014）]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/51137878</link><guid>https://blog.csdn.net/fangqingan_java/article/details/51137878</guid><author>fangqingan_java</author><pubDate>Tue, 12 Apr 2016 22:58:36 +0800</pubDate><description><![CDATA[概述


  FFM 近年来在各类比赛取得不俗的成绩，该文介绍了FFM的算法思路和求解过程。


FFM模型

线性模型由于其简单好优化在工业界广泛使用，特别是LR、SVM等表达能力比较强的线性模型。这些模型一个共同的问题是需要人工进行特征组合进行模型优化，沿着这个思路出现了几个模型。

线性模型

基础模型，表示为： 
Φ(w,x)=w0+∑i=1nwixi\Phi(w,x)=w_0+\sum_]]></description><category></category></item><item><title><![CDATA[【每周一文】Ad Click Prediction: a View from the Trenches(2013)]]></title><link>https://blog.csdn.net/fangqingan_java/article/details/51020653</link><guid>https://blog.csdn.net/fangqingan_java/article/details/51020653</guid><author>fangqingan_java</author><pubDate>Tue, 12 Apr 2016 22:57:58 +0800</pubDate><description><![CDATA[概述

该文是GoogleFTRL在点击率模型上的应用，从技术实现的角度介绍了在线学习算法FTRL的工程实现，并且给出一些内存优化、特征选择等工程细节。从此FTRL算法才大规模推广使用。 
该笔记主要介绍一下几类在线学习算法的思路以及FTRL实现细节以及工程上技巧。

问题

点击率预估问题（CTR）是计算广告中非常重要的模块，预估一个用户对广告的点击概率，从而提升广告效果。 
LR模型时CTR问]]></description><category></category></item></channel></rss>