人工智能
AI技术内参
你的360度人工智能信息助理
Course syllabus
章节目录
网页仅提供目录预览，不展示课程正文。
课程目录DIRECTORY ONLY
Published chapters
01开篇词 | 你的360度人工智能信息助理
02001 | 聊聊2017年KDD大会的时间检验奖
03002 | 精读2017年KDD最佳研究论文
04003 | 精读2017年KDD最佳应用数据科学论文
05004 | 精读2017年EMNLP最佳长论文之一
06005 | 精读2017年EMNLP最佳长论文之二
07006 | 精读2017年EMNLP最佳短论文
08007 | 精读2017年ICCV最佳研究论文
09008 | 精读2017年ICCV最佳学生论文
10009 | 如何将“深度强化学习”应用到视觉问答系统？
11010 | 精读2017年NIPS最佳研究论文之一：如何解决非凸优化问题？
12011 | 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？
13012 | 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？
14013 | WSDM 2018论文精读：看谷歌团队如何做位置偏差估计
15014 | 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
16015 | WSDM 2018论文精读：深度学习模型中如何使用上下文信息？
17016 | The Web 2018论文精读：如何对商品的图片美感进行建模？
18017 | The Web 2018论文精读：如何改进经典的推荐算法BPR？
19018 | The Web 2018论文精读：如何从文本中提取高元关系？
20019 | SIGIR 2018论文精读：偏差和“流行度”之间的关系
21020 | 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？
22021 | 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？
23022 | CVPR 2018论文精读：如何研究计算机视觉任务之间的关系？
24023 | CVPR 2018论文精读：如何从整体上对人体进行三维建模？
25024 | CVPR 2018论文精读：如何解决排序学习计算复杂度高这个问题？
26025 | 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
27026 | ICML 2018论文精读：聊一聊机器学习算法的“公平性”问题
28027 | ICML 2018论文精读：优化目标函数的时候，有可能放大了“不公平”？
29028 | ACL 2018论文精读：问答系统场景下，如何提出好问题？
30029 | ACL 2018论文精读：什么是对话中的前提触发？如何检测？
31030 | ACL 2018论文精读：什么是“端到端”的语义哈希？
32复盘 7 | 一起来读人工智能国际顶级会议论文
33031 | 经典搜索核心算法：TF-IDF及其变种
34032 | 经典搜索核心算法：BM25及其变种（内附全年目录）
35033 | 经典搜索核心算法：语言模型及其变种
36034 | 机器学习排序算法：单点法排序学习
37035 | 机器学习排序算法：配对法排序学习
38036 | 机器学习排序算法：列表法排序学习
39037 | “查询关键字理解”三部曲之分类
40038 | “查询关键字理解”三部曲之解析
41039 | “查询关键字理解”三部曲之扩展
42040 | 搜索系统评测，有哪些基础指标？
43041 | 搜索系统评测，有哪些高级指标？
44042 | 如何评测搜索系统的在线表现？
45043 | 文档理解第一步：文档分类
46044 | 文档理解的关键步骤：文档聚类
47045 | 文档理解的重要特例：多模文档建模
48046 | 大型搜索框架宏观视角：发展、特点及趋势
49047 | 多轮打分系统概述
50048 | 搜索索引及其相关技术概述
51049 | PageRank算法的核心思想是什么？
52050 | 经典图算法之HITS
53051 | 社区检测算法之“模块最大化 ”
54052 | 机器学习排序算法经典模型：RankSVM
55053 | 机器学习排序算法经典模型：GBDT
56054 | 机器学习排序算法经典模型：LambdaMART
57055 | 基于深度学习的搜索算法：深度结构化语义模型
58056 | 基于深度学习的搜索算法：卷积结构下的隐含语义模型
59057 | 基于深度学习的搜索算法：局部和分布表征下的搜索模型
60复盘 1 | 搜索核心技术模块
61058 | 简单推荐模型之一：基于流行度的推荐模型
62059 | 简单推荐模型之二：基于相似信息的推荐模型
63060 | 简单推荐模型之三：基于内容信息的推荐模型
64061 | 基于隐变量的模型之一：矩阵分解
65062 | 基于隐变量的模型之二：基于回归的矩阵分解
66063 | 基于隐变量的模型之三：分解机
67064 | 高级推荐模型之一：张量分解模型
68065 | 高级推荐模型之二：协同矩阵分解
69066 | 高级推荐模型之三：优化复杂目标函数
70067 | 推荐的Exploit和Explore算法之一：EE算法综述
71068 | 推荐的Exploit和Explore算法之二：UCB算法
72069 | 推荐的Exploit和Explore算法之三：汤普森采样算法
73070 | 推荐系统评测之一：传统线下评测
74071 | 推荐系统评测之二：线上评测
75072 | 推荐系统评测之三：无偏差估计
76073 | 现代推荐架构剖析之一：基于线下离线计算的推荐架构
77074 | 现代推荐架构剖析之二：基于多层搜索架构的推荐系统
78075 | 现代推荐架构剖析之三：复杂现代推荐架构漫谈
79076 | 基于深度学习的推荐模型之一：受限波兹曼机
80077 | 基于深度学习的推荐模型之二：基于RNN的推荐系统
81078 | 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
82复盘 2 | 推荐系统核心技术模块
83079 | 广告系统概述
84080 | 广告系统架构
85081 | 广告回馈预估综述
86082 | Google的点击率系统模型
87083 | Facebook的广告点击率预估模型
88084 | 雅虎的广告点击率预估模型
89085 | LinkedIn的广告点击率预估模型
90086 | Twitter的广告点击率预估模型
91087 | 阿里巴巴的广告点击率预估模型
92088 | 什么是“基于第二价位的广告竞拍”？
93089 | 广告的竞价策略是怎样的？
94090 | 如何优化广告的竞价策略？
95091 | 如何控制广告预算？
96092 | 如何设置广告竞价的底价？
97093 | 聊一聊“程序化直接购买”和“广告期货”
98094 | 归因模型：如何来衡量广告的有效性
99095 | 广告投放如何选择受众？如何扩展受众群？
100096 | 如何利用机器学习技术来检测广告欺诈？
101复盘 4 | 广告系统核心技术模块
102097 | LDA模型的前世今生
103098 | LDA变种模型知多少
104099 | 针对大规模数据，如何优化LDA算法？
105100 | 基础文本分析模型之一：隐语义分析
106101 | 基础文本分析模型之二：概率隐语义分析
107102 | 基础文本分析模型之三：EM算法
108103 | 为什么需要Word2Vec算法？
109104 | Word2Vec算法有哪些扩展模型？
110105 | Word2Vec算法有哪些应用？
111106 | 序列建模的深度学习利器：RNN基础架构
112107 | 基于门机制的RNN架构：LSTM与GRU
113108 | RNN在自然语言处理中有哪些应用场景？
114109 | 对话系统之经典的对话模型
115110 | 任务型对话系统有哪些技术要点？
116111 | 聊天机器人有哪些核心技术要点？
117112 | 什么是文档情感分类？
118113 | 如何来提取情感“实体”和“方面”呢？
119114 | 文本情感分析中如何做意见总结和搜索？
120复盘 3 | 自然语言处理及文本处理核心技术模块
121115 | 什么是计算机视觉？
122116 | 掌握计算机视觉任务的基础模型和操作
123117 | 计算机视觉中的特征提取难在哪里？
124118 | 基于深度学习的计算机视觉技术（一）：深度神经网络入门
125119 | 基于深度学习的计算机视觉技术（二）：基本的深度学习模型
126120 | 基于深度学习的计算机视觉技术（三）：深度学习模型的优化
127121 | 计算机视觉领域的深度学习模型（一）：AlexNet
128122 | 计算机视觉领域的深度学习模型（二）：VGG & GoogleNet
129123 | 计算机视觉领域的深度学习模型（三）：ResNet
130124 | 计算机视觉高级话题（一）：图像物体识别和分割
131125 | 计算机视觉高级话题（二）：视觉问答
132126 | 计算机视觉高级话题（三）：产生式模型
133复盘 5 | 计算机视觉核心技术模块
134127 | 数据科学家基础能力之概率统计
135128 | 数据科学家基础能力之机器学习
136129 | 数据科学家基础能力之系统
137130 | 数据科学家高阶能力之分析产品
138131 | 数据科学家高阶能力之评估产品
139132 | 数据科学家高阶能力之如何系统提升产品性能
140133 | 职场话题：当数据科学家遇见产品团队
141134 | 职场话题：数据科学家应聘要具备哪些能力？
142135 | 职场话题：聊聊数据科学家的职场规划
143136 | 如何组建一个数据科学团队？
144137 | 数据科学团队养成：电话面试指南
145138 | 数据科学团队养成：Onsite面试面面观
146139 | 成为“香饽饽”的数据科学家，如何衡量他们的工作呢？
147140 | 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？
148141 | 数据科学家团队组织架构：水平还是垂直，这是个问题
149142 | 数据科学家必备套路之一：搜索套路
150143 | 数据科学家必备套路之二：推荐套路
151144 | 数据科学家必备套路之三：广告套路
152145 | 如何做好人工智能项目的管理？
153146 | 数据科学团队必备的工程流程三部曲
154147 | 数据科学团队怎么选择产品和项目？
155148 | 曾经辉煌的雅虎研究院
156149 | 微软研究院：工业界研究机构的楷模
157150 | 聊一聊谷歌特立独行的混合型研究
158复盘 6 | 数据科学家与数据科学团队是怎么养成的？
159151 | 精读AlphaGo Zero论文
160152 | 2017人工智能技术发展盘点
161153 | 如何快速学习国际顶级学术会议的内容？
162154 | 在人工智能领域，如何快速找到学习的切入点？
163155 | 人工智能技术选择，该从哪里获得灵感？
164156 | 近在咫尺，走进人工智能研究
165内参特刊 | 和你聊聊每个人都关心的人工智能热点话题
166结束语 | 雄关漫道真如铁，而今迈步从头越