人工智能深度学习AI技术内参2018

发布:2026-11-18 栏目:编程开发 浏览下载:/

加入收藏 错误报告

  本资源由音频+文档+pdf组成

  ├─01-开篇说明 (1讲)

  │ 1.开篇,你的360度人工智能信息助理

  │

  ├─02-人工智能国际顶级会议 (31讲)

  │ 1:聊聊2017年KDD大会的时间检验奖

  │ 2:精读2017年KDD最佳研究论文

  │ 3:精读2017年KDD最佳应用数据科学论文

  │ 4:精读2017年EMNLP最佳长论文之一

  │ 5:精读2017年EMNLP最佳长论文之二

  │ 6:精读2017年EMNLP最佳短论文

  │ 7:精读2017年ICCV最佳研究论文

  │ 8:精读2017年ICCV最佳学生论文

  │ 9:如何将“深度强化学习”应用到视觉问答系统?

  │ 10:精读2017年NIPS最佳研究论文之一:如何解决非凸优化问题?

  │ 11: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?

  │ 12: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?

  │ 13:WSDM 2018论文精读:看谷歌团队如何做位置偏差估计

  │ 14: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

  │ 15:WSDM 2018论文精读:深度学习模型中如何使用上下文信息?

  │ 16:The Web 2018论文精读:如何对商品的图片美感进行建模?

  │ 17:The Web 2018论文精读:如何改进经典的推荐算法BPR?

  │ 18:The Web 2018论文精读:如何从文本中提取高元关系?

  │ 19:SIGIR 2018论文精读:偏差和“流行度”之间的关系

  │ 20: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?

  │ 21: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?

  │ 22:CVPR 2018论文精读:如何研究计算机视觉任务之间的关系?

  │ 23:CVPR 2018论文精读:如何从整体上对人体进行三维建模?

  │ 24:CVPR 2018论文精读:如何解决排序学习计算复杂度高这个问题?

  │ 25: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

  │ 26:ICML 2018论文精读:聊一聊机器学习算法的“公平性”问题

  │ 27:ICML 2018论文精读:优化目标函数的时候,有可能放大了“不公平”?

  │ 28:ACL 2018论文精读:问答系统场景下,如何提出好问题?

  │ 29:ACL 2018论文精读:什么是对话中的前提触发?如何检测?

  │ 30:ACL 2018论文精读:什么是“端到端”的语义哈希?

  │ 复盘 7丨一起来读人工智能国际顶级会议论文

  │

  ├─03-搜索核心技术 (28讲)

  │ 1:经典搜索核心算法:TF-IDF及其变种

  │ 2:经典搜索核心算法:BM25及其变种(内附全年目录)

  │ 3:经典搜索核心算法:语言模型及其变种

  │ 4:机器学习排序算法:单点法排序学习

  │ 5:机器学习排序算法:配对法排序学习

  │ 6:机器学习排序算法:列表法排序学习

  │ 7:“查询关键字理解”三部曲之分类

  │ 8:“查询关键字理解”三部曲之解析

  │ 9:“查询关键字理解”三部曲之扩展

  │ 10:搜索系统评测,有哪些基础指标?

  │ 11:搜索系统评测,有哪些高级指标?

  │ 12:如何评测搜索系统的在线表现?

  │ 13:文档理解第一步:文档分类

  │ 14:文档理解的关键步骤:文档聚类

  │ 15:文档理解的重要特例:多模文档建模

  │ 16:大型搜索框架宏观视角:发展、特点及趋势

  │ 17:多轮打分系统概述

  │ 18:搜索索引及其相关技术概述

│ 19ageRank算法的核心思想是什么?

  │ 20:经典图算法之HITS

  │ 21:社区检测算法之“模块最大化 ”

  │ 22:机器学习排序算法经典模型:RankSVM

  │ 23:机器学习排序算法经典模型:GBDT

  │ 24:机器学习排序算法经典模型:LambdaMART

  │ 25:基于深度学习的搜索算法:深度结构化语义模型

  │ 26:基于深度学习的搜索算法:卷积结构下的隐含语义模型

  │ 27: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丨搜索核心技术模块

  │

  ├─04-推荐系统核心技术 (22讲)

  │ 1:简单推荐模型之一:基于流行度的推荐模型

  │ 2:简单推荐模型之二:基于相似信息的推荐模型

  │ 3:简单推荐模型之三:基于内容信息的推荐模型

  │ 4:基于隐变量的模型之一:矩阵分解

  │ 5:基于隐变量的模型之二:基于回归的矩阵分解

  │ 6:基于隐变量的模型之三:分解机

  │ 7:高级推荐模型之一:张量分解模型

  │ 8:高级推荐模型之二:协同矩阵分解

  │ 9:高级推荐模型之三:优化复杂目标函数

  │ 10:推荐的Exploit和Explore算法之一:EE算法综述

  │ 11:推荐的Exploit和Explore算法之二:UCB算法

  │ 12:推荐的Exploit和Explore算法之三:汤普森采样算法

  │ 13:推荐系统评测之一:传统线下评测

  │ 14:推荐系统评测之二:线上评测

  │ 15:推荐系统评测之三:无偏差估计

  │ 16:现代推荐架构剖析之一:基于线下离线计算的推荐架构

  │ 17:现代推荐架构剖析之二:基于多层搜索架构的推荐系统

  │ 18:现代推荐架构剖析之三:复杂现代推荐架构漫谈

  │ 19:基于深度学习的推荐模型之一:受限波兹曼机

  │ 20:基于深度学习的推荐模型之二:基于RNN的推荐系统

  │ 21: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丨推荐系统核心技术模块

  │

  ├─05-广告系统核心技术 (19讲)

  │ 1:广告系统概述

  │ 2:广告系统架构

  │ 3:广告回馈预估综述

  │ 4:Google的点击率系统模型

  │ 5:Facebook的广告点击率预估模型

  │ 6:雅虎的广告点击率预估模型

│ 7inkedIn的广告点击率预估模型

  │ 8:Twitter的广告点击率预估模型

  │ 9:阿里巴巴的广告点击率预估模型

  │ 10:什么是“基于第二价位的广告竞拍”?

  │ 11:广告的竞价策略是怎样的?

  │ 12:如何优化广告的竞价策略?

  │ 13:如何控制广告预算?

  │ 14:如何设置广告竞价的底价?

  │ 15:聊一聊“程序化直接购买”和“广告期货”

  │ 16:归因模型:如何来衡量广告的有效性

  │ 17:广告投放如何选择受众?如何扩展受众群?

  │ 18:如何利用机器学习技术来检测广告欺诈?

  │ 复盘 4丨广告系统核心技术模块

  │

  ├─06-自然语言处理及文本处理核心技术 (19讲)

│ 1DA模型的前世今生

│ 2DA变种模型知多少

  │ 3:针对大规模数据,如何优化LDA算法?

  │ 4:基础文本分析模型之一:隐语义分析

  │ 5:基础文本分析模型之二:概率隐语义分析

  │ 6:基础文本分析模型之三:EM算法

  │ 7:为什么需要Word2Vec算法?

  │ 8:Word2Vec算法有哪些扩展模型?

  │ 9:Word2Vec算法有哪些应用?

  │ 10:序列建模的深度学习利器:RNN基础架构

  │ 11:基于门机制的RNN架构:LSTM与GRU

  │ 12:RNN在自然语言处理中有哪些应用场景?

  │ 13:对话系统之经典的对话模型

  │ 14:任务型对话系统有哪些技术要点?

  │ 15:聊天机器人有哪些核心技术要点?

  │ 16:什么是文档情感分类?

  │ 17:如何来提取情感“实体”和“方面”呢?

  │ 18:文本情感分析中如何做意见总结和搜索?

  │ 复盘 3丨自然语言处理及文本处理核心技术模块

  │

  ├─07-计算机视觉核心技术 (13讲)

  │ 1:什么是计算机视觉?

  │ 2:掌握计算机视觉任务的基础模型和操作

  │ 3:计算机视觉中的特征提取难在哪里?

  │ 4:基于深度学习的计算机视觉技术(一):深度神经网络入门

  │ 5:基于深度学习的计算机视觉技术(二):基本的深度学习模型

  │ 6:基于深度学习的计算机视觉技术(三):深度学习模型的优化

  │ 7:计算机视觉领域的深度学习模型(一):AlexNet

  │ 8:计算机视觉领域的深度学习模型(二):VGG & GoogleNet

  │ 9:计算机视觉领域的深度学习模型(三):ResNet

  │ 10:计算机视觉高级话题(一):图像物体识别和分割

  │ 11:计算机视觉高级话题(二):视觉问答

  │ 12:计算机视觉高级话题(三):产生式模型

  │ 复盘 5丨计算机视觉核心技术模块

  │

  ├─08-数据科学家与数据科学团队养成 (25讲)

  │ 1:如何组建一个数据科学团队?

  │ 2:数据科学家基础能力之概率统计

  │ 3:数据科学家基础能力之机器学习

  │ 4:数据科学家基础能力之系统

  │ 5:曾经辉煌的雅虎研究院

  │ 6:数据科学家高阶能力之分析产品

  │ 7:数据科学家高阶能力之评估产品

  │ 8:数据科学家高阶能力之如何系统提升产品性能

  │ 9:职场话题:当数据科学家遇见产品团队

  │ 10:职场话题:数据科学家应聘要具备哪些能力?

  │ 11:职场话题:聊聊数据科学家的职场规划

  │ 12:数据科学团队养成:电话面试指南

  │ 13:数据科学团队养成:Onsite面试面面观

  │ 14:成为“香饽饽”的数据科学家,如何衡量他们的工作呢?

  │ 15: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?

  │ 16:数据科学家团队组织架构:水平还是垂直,这是个问题

  │ 17:数据科学家必备套路之一:搜索套路

  │ 18:数据科学家必备套路之二:推荐套路

  │ 19:数据科学家必备套路之三:广告套路

  │ 20:如何做好人工智能项目的管理?

  │ 21:数据科学团队必备的工程流程三部曲

  │ 22:数据科学团队怎么选择产品和项目?

  │ 23:微软研究院:工业界研究机构的楷模

  │ 24:聊一聊谷歌特立独行的混合型研究

  │ 复盘 6丨数据科学家与数据科学团队是怎么养成的?

  │

  ├─09-热点话题讨论 (7讲)

  │ 1:精读AlphaGo Zero论文

  │ 2:2017人工智能技术发展盘点

  │ 3:如何快速学习国际顶级学术会议的内容?

  │ 4:在人工智能领域,如何快速找到学习的切入点?

  │ 5:人工智能技术选择,该从哪里获得灵感?

  │ 6:近在咫尺,走进人工智能研究

  │ 内参特刊丨和你聊聊每个人都关心的人工智能热点话题

  │

  └─10-完结篇 (1讲)

  建议与忠告

上一篇:深度学习理论与实战PyTorch实战视频教程

下一篇:很抱歉没有了

返回顶部

拨打电话
在线咨询
扫码添加客服微信咨询问题

24H服务电话: 15610047637