总结：采用深度学习算法优化广告投放效果是一个复杂的任务，需要综合考虑数据预处理、模型选择、特征表示、模型训练、模型调参和模型融合等多个方面。
策略分享：
1. 数据预处理：对广告投放相关数据进行清洗和转换，去除异常值和缺失值，并进行特征工程，提取出有效的特征。
2. 模型选择：选择适合广告投放效果优化的深度学习模型，例如深度神经网络（DNN）、卷积神经网络（CNN）、循环神经网络（RNN）等。根据实际情况，可以选择单一模型或者模型的组合。
3. 特征表示：将特征进行适当的编码表示，例如使用独热编码、词袋模型等进行特征处理。
4. 模型训练：利用已有的广告投放数据进行模型的训练，使用适当的优化算法和损失函数进行模型的参数优化。
5. 模型调参：根据实际情况，调整深度学习模型的超参数，例如学习率、隐藏层节点数、批量大小等，以获得更好的广告投放效果。
6. 模型融合：如果有多个模型，可以通过模型融合技术（例如集成学习）将它们的结果进行整合，提高广告投放效果。
效果评估报告：
1. 指标选择：选择合适的评估指标来度量广告投放效果，例如点击率（CTR）、转化率（CVR）、广告点击与转化之间的关系（CTR-CVR）、广告投放成本等。
2. 数据集划分：将广告投放数据集划分为训练集和测试集，用训练集进行模型的训练和调参，用测试集进行效果评估。
3. 模型评估：针对选定的评估指标，计算模型在测试集上的表现，比较各个深度学习模型的效果。
4. 比较与分析：对不同模型的效果进行比较和分析，找出最优模型，并解读其优势和劣势。
5. 报告撰写：将以上分析结果进行整理和总结，撰写效果评估报告，包括模型的选择、参数设置、训练结果、评估指标的变化趋势等。
总结：采用深度学习算法优化广告投放效果是一个复杂的任务，需要综合考虑数据预处理、模型选择、特征表示、模型训练、模型调参和模型融合等多个方面。通过合理的策略分享和效果评估报告，可以有效地提升广告投放效果，并为实际业务决策提供参考依据。