本文综合考虑时间跨度、论文动机等因素，将相关论文分为若干类，包括 Uplift Modeling 理论的发展、Uplift Recommendation 的发展以及未来的趋势。

增益模型（Uplift Model）是推荐系统中的一个热门话题，用于预测干预带来的增量反馈价值，具有较大的落地意义。本文介绍了因果推断、推荐系统中的相关概念，展开介绍了几种 Uplift 的基础模型和评估指标。

学习 Python 时做的笔记，本文汇总了常用的 Python 标准库和第三方库，只包含基础用法，本文将持续更新。

记录科研常用网站，包括：论文检索、代码检索、学者信息、论文写作、科研论坛、截稿日期、电子书。本文持续更新。

「机器学习」课程笔记，本文介绍机器学习在推荐系统上的应用，从基于人口统计学和基于内容的推荐开始，引入协同过滤算法，推导代价函数和优化过程。含代码实现。

「机器学习」课程笔记，本文介绍机器学习的一种无监督应用——异常检测，包含多元高斯分布的简介、开发一个异常检测系统的流程。含代码实现。

学习 Linux 时做的笔记，本文记录了初次连接服务器后，配置 Anaconda 深度学习环境的过程，以及 Git、Zsh、反向代理等个人配置，文末附上一键配置环境脚本。

「机器学习」课程笔记，本文首次引入了降维的概念，推导了主成分分析（PCA）的公式、算法步骤，以及介绍主成分数量的选择、重建数据等内容。含代码实现。

「机器学习」课程笔记，本文首次引入了聚类问题，介绍了 K-Means 算法的基本内容，包括：步骤、优化目标、选取簇数 K 等，还介绍了改进 K-Means 的衍生算法。含代码实现。

「机器学习」课程笔记，本文介绍支持向量机（SVM）的基本内容，包括：优化目标、大间隔思想及其几何理解、软硬间隔、核函数等，通过对偶问题转化、KKT 条件简要证明了线性 SVM 的通解。

「机器学习」课程笔记，本文介绍常用的机器学习诊断法，包括数据集划分、绘制学习曲线，利用混淆矩阵进行误差分析、计算精确率、召回率、F1-Score 等。

「机器学习」课程笔记，本文介绍基础神经网络模型的代价函数、BP反向传播算法的数学推导及神经网络模型的完整步骤。含代码实现，包括梯度检验、随机初始化等。含代码实现。

「机器学习」课程笔记，本文介绍基础的神经网络模型及其组成要素，以逻辑门为例展示了神经网络的作用，最后介绍如何利用神经网络解决多分类问题。含代码实现。

「机器学习」课程笔记，本文介绍机器学习中常见的过拟合现象，以及正则化方法的原理、在线性回归和逻辑回归中的推导和应用。含代码实现。

「机器学习」课程笔记，本文介绍逻辑回归在二分类、多分类问题中的应用，介绍了逻辑回归的 sigmoid 假设函数、代价函数及其数学推导，首次引入决策边界。含代码实现。