AI技术内参

共 167 讲。

目录

• AI技术内参
• 开篇词 - 你的360度人工智能信息助理
• 001 - 聊聊2017年KDD大会的时间检验奖
• 002 - 精读2017年KDD最佳研究论文
• 003 - 精读2017年KDD最佳应用数据科学论文
• 004 - 精读2017年EMNLP最佳长论文之一
• 005 - 精读2017年EMNLP最佳长论文之二
• 006 - 精读2017年EMNLP最佳短论文
• 007 - 精读2017年ICCV最佳研究论文
• 008 - 精读2017年ICCV最佳学生论文
• 009 - 如何将“深度强化学习”应用到视觉问答系统？
• 010 - 精读2017年NIPS最佳研究论文之一：如何解决非凸优化问题？
• 011 - 精读2017年NIPS最佳研究论文之二：KSD测试如何检验两个分布的异同？
• 012 - 精读2017年NIPS最佳研究论文之三：如何解决非完美信息博弈问题？
• 013 - WSDM 2018论文精读：看谷歌团队如何做位置偏差估计
• 014 - WSDM 2018论文精读：看京东团队如何挖掘商品的替代信息和互补信息
• 015 - WSDM 2018论文精读：深度学习模型中如何使用上下文信息？
• 016 - The Web 2018论文精读：如何对商品的图片美感进行建模？
• 017 - The Web 2018论文精读：如何改进经典的推荐算法BPR？
• 018 - The Web 2018论文精读：如何从文本中提取高元关系？
• 019 - SIGIR 2018论文精读：偏差和“流行度”之间的关系
• 020 - SIGIR 2018论文精读：如何利用对抗学习来增强排序模型的普适性？
• 021 - SIGIR 2018论文精读：如何对搜索页面上的点击行为进行序列建模？
• 022 - CVPR 2018论文精读：如何研究计算机视觉任务之间的关系？
• 023 - CVPR 2018论文精读：如何从整体上对人体进行三维建模？
• 024 - CVPR 2018论文精读：如何解决排序学习计算复杂度高这个问题？
• 025 - ICML 2018论文精读：模型经得起对抗样本的攻击？这或许只是个错觉
• 026 - ICML 2018论文精读：聊一聊机器学习算法的“公平性”问题
• 027 - ICML 2018论文精读：优化目标函数的时候，有可能放大了“不公平”？
• 028 - ACL 2018论文精读：问答系统场景下，如何提出好问题？
• 029 - ACL 2018论文精读：什么是对话中的前提触发？如何检测？
• 030 - ACL 2018论文精读：什么是“端到端”的语义哈希？
• 复盘 7 - 一起来读人工智能国际顶级会议论文
• 031 - 经典搜索核心算法：TF-IDF及其变种
• 032 - 经典搜索核心算法：BM25及其变种（内附全年目录）
• 033 - 经典搜索核心算法：语言模型及其变种
• 034 - 机器学习排序算法：单点法排序学习
• 035 - 机器学习排序算法：配对法排序学习
• 036 - 机器学习排序算法：列表法排序学习
• 037 - “查询关键字理解”三部曲之分类
• 038 - “查询关键字理解”三部曲之解析
• 039 - “查询关键字理解”三部曲之扩展
• 040 - 搜索系统评测，有哪些基础指标？
• 041 - 搜索系统评测，有哪些高级指标？
• 042 - 如何评测搜索系统的在线表现？
• 043 - 文档理解第一步：文档分类
• 044 - 文档理解的关键步骤：文档聚类
• 045 - 文档理解的重要特例：多模文档建模
• 046 - 大型搜索框架宏观视角：发展、特点及趋势
• 047 - 多轮打分系统概述
• 048 - 搜索索引及其相关技术概述
• 049 - PageRank算法的核心思想是什么？
• 050 - 经典图算法之HITS
• 051 - 社区检测算法之“模块最大化 ”
• 052 - 机器学习排序算法经典模型：RankSVM
• 053 - 机器学习排序算法经典模型：GBDT
• 054 - 机器学习排序算法经典模型：LambdaMART
• 055 - 基于深度学习的搜索算法：深度结构化语义模型
• 056 - 基于深度学习的搜索算法：卷积结构下的隐含语义模型
• 057 - 基于深度学习的搜索算法：局部和分布表征下的搜索模型
• 复盘 1 - 搜索核心技术模块
• 058 - 简单推荐模型之一：基于流行度的推荐模型
• 059 - 简单推荐模型之二：基于相似信息的推荐模型
• 060 - 简单推荐模型之三：基于内容信息的推荐模型
• 061 - 基于隐变量的模型之一：矩阵分解
• 062 - 基于隐变量的模型之二：基于回归的矩阵分解
• 063 - 基于隐变量的模型之三：分解机
• 064 - 高级推荐模型之一：张量分解模型
• 065 - 高级推荐模型之二：协同矩阵分解
• 066 - 高级推荐模型之三：优化复杂目标函数
• 067 - 推荐的Exploit和Explore算法之一：EE算法综述
• 068 - 推荐的Exploit和Explore算法之二：UCB算法
• 069 - 推荐的Exploit和Explore算法之三：汤普森采样算法
• 070 - 推荐系统评测之一：传统线下评测
• 071 - 推荐系统评测之二：线上评测
• 072 - 推荐系统评测之三：无偏差估计
• 073 - 现代推荐架构剖析之一：基于线下离线计算的推荐架构
• 074 - 现代推荐架构剖析之二：基于多层搜索架构的推荐系统
• 075 - 现代推荐架构剖析之三：复杂现代推荐架构漫谈
• 076 - 基于深度学习的推荐模型之一：受限波兹曼机
• 077 - 基于深度学习的推荐模型之二：基于RNN的推荐系统
• 078 - 基于深度学习的推荐模型之三：利用深度学习来扩展推荐系统
• 复盘 2 - 推荐系统核心技术模块
• 079 - 广告系统概述
• 080 - 广告系统架构
• 081 - 广告回馈预估综述
• 082 - Google的点击率系统模型
• 083 - Facebook的广告点击率预估模型
• 084 - 雅虎的广告点击率预估模型
• 085 - LinkedIn的广告点击率预估模型
• 086 - Twitter的广告点击率预估模型
• 087 - 阿里巴巴的广告点击率预估模型
• 088 - 什么是“基于第二价位的广告竞拍”？
• 089 - 广告的竞价策略是怎样的？
• 090 - 如何优化广告的竞价策略？
• 091 - 如何控制广告预算？
• 092 - 如何设置广告竞价的底价？
• 093 - 聊一聊“程序化直接购买”和“广告期货”
• 094 - 归因模型：如何来衡量广告的有效性
• 095 - 广告投放如何选择受众？如何扩展受众群？
• 096 - 如何利用机器学习技术来检测广告欺诈？
• 复盘 4 - 广告系统核心技术模块
• 097 - LDA模型的前世今生
• 098 - LDA变种模型知多少
• 099 - 针对大规模数据，如何优化LDA算法？
• 100 - 基础文本分析模型之一：隐语义分析
• 101 - 基础文本分析模型之二：概率隐语义分析
• 102 - 基础文本分析模型之三：EM算法
• 103 - 为什么需要Word2Vec算法？
• 104 - Word2Vec算法有哪些扩展模型？
• 105 - Word2Vec算法有哪些应用？
• 106 - 序列建模的深度学习利器：RNN基础架构
• 107 - 基于门机制的RNN架构：LSTM与GRU
• 108 - RNN在自然语言处理中有哪些应用场景？
• 109 - 对话系统之经典的对话模型
• 110 - 任务型对话系统有哪些技术要点？
• 111 - 聊天机器人有哪些核心技术要点？
• 112 - 什么是文档情感分类？
• 113 - 如何来提取情感“实体”和“方面”呢？
• 114 - 文本情感分析中如何做意见总结和搜索？
• 复盘 3 - 自然语言处理及文本处理核心技术模块
• 115 - 什么是计算机视觉？
• 116 - 掌握计算机视觉任务的基础模型和操作
• 117 - 计算机视觉中的特征提取难在哪里？
• 118 - 基于深度学习的计算机视觉技术（一）：深度神经网络入门
• 119 - 基于深度学习的计算机视觉技术（二）：基本的深度学习模型
• 120 - 基于深度学习的计算机视觉技术（三）：深度学习模型的优化
• 121 - 计算机视觉领域的深度学习模型（一）：AlexNet
• 122 - 计算机视觉领域的深度学习模型（二）：VGG & GoogleNet
• 123 - 计算机视觉领域的深度学习模型（三）：ResNet
• 124 - 计算机视觉高级话题（一）：图像物体识别和分割
• 125 - 计算机视觉高级话题（二）：视觉问答
• 126 - 计算机视觉高级话题（三）：产生式模型
• 复盘 5 - 计算机视觉核心技术模块
• 127 - 数据科学家基础能力之概率统计
• 128 - 数据科学家基础能力之机器学习
• 129 - 数据科学家基础能力之系统
• 130 - 数据科学家高阶能力之分析产品
• 131 - 数据科学家高阶能力之评估产品
• 132 - 数据科学家高阶能力之如何系统提升产品性能
• 133 - 职场话题：当数据科学家遇见产品团队
• 134 - 职场话题：数据科学家应聘要具备哪些能力？
• 135 - 职场话题：聊聊数据科学家的职场规划
• 136 - 如何组建一个数据科学团队？
• 137 - 数据科学团队养成：电话面试指南
• 138 - 数据科学团队养成：Onsite面试面面观
• 139 - 成为“香饽饽”的数据科学家，如何衡量他们的工作呢？
• 140 - 人工智能领域知识体系更新周期只有5～6年，数据科学家如何培养？
• 141 - 数据科学家团队组织架构：水平还是垂直，这是个问题
• 142 - 数据科学家必备套路之一：搜索套路
• 143 - 数据科学家必备套路之二：推荐套路
• 144 - 数据科学家必备套路之三：广告套路
• 145 - 如何做好人工智能项目的管理？
• 146 - 数据科学团队必备的工程流程三部曲
• 147 - 数据科学团队怎么选择产品和项目？
• 148 - 曾经辉煌的雅虎研究院
• 149 - 微软研究院：工业界研究机构的楷模
• 150 - 聊一聊谷歌特立独行的混合型研究
• 复盘 6 - 数据科学家与数据科学团队是怎么养成的？
• 151 - 精读AlphaGo Zero论文
• 152 - 2017人工智能技术发展盘点
• 153 - 如何快速学习国际顶级学术会议的内容？
• 154 - 在人工智能领域，如何快速找到学习的切入点？
• 155 - 人工智能技术选择，该从哪里获得灵感？
• 156 - 近在咫尺，走进人工智能研究
• 内参特刊 - 和你聊聊每个人都关心的人工智能热点话题
• 结束语 - 雄关漫道真如铁，而今迈步从头越