AI 技术内参

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