AI技术内参:你的360度人工智能信息助理

 

人工智能科学家吴恩达反复强调,“AI is the new electricity” 。今天的人工智能,犹如一百年前的电,正在给人类带来同样巨大,甚至更加精彩的变化。

毋庸置疑,这是一个属于人工智能的时代。人工智能正在渗透到各行各业,并且离我们越来越近,新的时代中,我们应该如何利用好新武器?

“AI技术内参”专栏将为你系统剖析人工智能核心技术,精讲人工智能国际顶级学术会议核心论文,解读技术发展前沿与最新研究成果,分享数据科学家以及数据科学团队的养成秘笈。希望能够帮助你在人工智能领域找到最佳学习路径,不断进阶。

资源目录

开篇词 (1讲)

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 (31讲)

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 (28讲)

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 (22讲)

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 (19讲)

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 (19讲)

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 (13讲)

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 (25讲)

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 (7讲)

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 (1讲)

结束语 | 雄关漫道真如铁,而今迈步从头越

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注