网站资源均收集于公开网络,仅供学习和交流。版权归版权人所有,所标价格为资源收集整理费用,如喜欢作品请支持正版。
网盘链接:
开篇词
- 开篇词 | 你的360度人工智能信息助理
人工智能国际顶级会议
- 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
搜索核心技术
- 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
推荐系统核心技术
- 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
广告系统核心技术
- 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
自然语言处理及文本处理核心技术
- 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
计算机视觉核心技术
- 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
数据科学家与数据科学团队养成
- 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?
热点话题讨论
- 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
- 结束语 | 雄关漫道真如铁,而今迈步从头越
© 版权声明
网站资源均收集于公开网络,仅供学习和交流。版权归版权人所有,所标价格为资源收集整理费用,如喜欢作品请支持正版。
THE END
暂无评论内容