AI技术内参

讲师介绍: Etsy数据科学主管,前雅虎研究院资深科学家

img

声明:版权归极客时间和讲师所有,素材由code4flutter收集整理,请大家多多支持

开篇词 | 你的360度人工智能信息助理

001 | 如何组建一个数据科学团队?

002 | 聊聊2017年KDD大会的时间检验奖

003 | 数据科学家基础能力之概率统计

004 | 数据科学家基础能力之机器学习

005 | 数据科学家基础能力之系统

006 | Google的点击率系统模型

007 | LDA模型的前世今生

008 | 曾经辉煌的雅虎研究院

009 | 数据科学家高阶能力之分析产品

010 | 数据科学家高阶能力之评估产品

011 | 数据科学家高阶能力之如何系统提升产品性能

012 | 精读2017年KDD最佳研究论文

013 | 精读2017年KDD最佳应用数据科学论文

014 | 精读AlphaGo Zero论文

015 | 精读2017年EMNLP最佳长论文之一

016 | 精读2017年EMNLP最佳长论文之二

017 | 精读2017年EMNLP最佳短论文

018 | 经典搜索核心算法:TF-IDF及其变种

019 | 经典搜索核心算法:BM25及其变种(内附全年目录)

020 | 经典搜索核心算法:语言模型及其变种

021 | 机器学习排序算法:单点法排序学习

022 | 机器学习排序算法:配对法排序学习

023 | 机器学习排序算法:列表法排序学习

024 | “查询关键字理解”三部曲之分类

025 | “查询关键字理解”三部曲之解析

026 | “查询关键字理解”三部曲之扩展

027 | 搜索系统评测,有哪些基础指标?

028 | 搜索系统评测,有哪些高级指标?

029 | 如何评测搜索系统的在线表现?

030 | 文档理解第一步:文档分类

031 | 文档理解的关键步骤:文档聚类

032 | 文档理解的重要特例:多模文档建模

033 | 大型搜索框架宏观视角:发展、特点及趋势

034 | 多轮打分系统概述

035 | 搜索索引及其相关技术概述

036 | PageRank算法的核心思想是什么?

037 | 经典图算法之HITS

038 | 社区检测算法之“模块最大化 ”

039 | 机器学习排序算法经典模型:RankSVM

040 | 机器学习排序算法经典模型:GBDT

041 | 机器学习排序算法经典模型:LambdaMART

042 | 基于深度学习的搜索算法:深度结构化语义模型

043 | 基于深度学习的搜索算法:卷积结构下的隐含语义模型

044 | 基于深度学习的搜索算法:局部和分布表征下的搜索模型

045 | 职场话题:当数据科学家遇见产品团队

046 | 职场话题:数据科学家应聘要具备哪些能力?

047 | 职场话题:聊聊数据科学家的职场规划

048 | 精读2017年ICCV最佳研究论文

049 | 精读2017年ICCV最佳学生论文

050 | 如何将“深度强化学习”应用到视觉问答系统?

内参特刊 | 和你聊聊每个人都关心的人工智能热点话题

051 | 精读2017年NIPS最佳研究论文之一:如何解决非凸优化问题?

052 | 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?

053 | 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?

054 | 数据科学团队养成:电话面试指南

055 | 数据科学团队养成:Onsite面试面面观

056 | 成为“香饽饽”的数据科学家,如何衡量他们的工作呢?

057 | 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?

058 | 数据科学家团队组织架构:水平还是垂直,这是个问题

059 | 2017人工智能技术发展盘点

060 | WSDM 2018论文精读:看谷歌团队如何做位置偏差估计

061 | 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

062 | WSDM 2018论文精读:深度学习模型中如何使用上下文信息?

复盘 1 | 搜索核心技术模块

063 | 简单推荐模型之一:基于流行度的推荐模型

064 | 简单推荐模型之二:基于相似信息的推荐模型

065 | 简单推荐模型之三:基于内容信息的推荐模型

066 | 基于隐变量的模型之一:矩阵分解

067 | 基于隐变量的模型之二:基于回归的矩阵分解

068 | 基于隐变量的模型之三:分解机

069 | 高级推荐模型之一:张量分解模型

070 | 高级推荐模型之二:协同矩阵分解

071 | 高级推荐模型之三:优化复杂目标函数

072 | 推荐的Exploit和Explore算法之一:EE算法综述

073 | 推荐的Exploit和Explore算法之二:UCB算法

074 | 推荐的Exploit和Explore算法之三:汤普森采样算法

075 | 推荐系统评测之一:传统线下评测

076 | 推荐系统评测之二:线上评测

077 | 推荐系统评测之三:无偏差估计

078 | 现代推荐架构剖析之一:基于线下离线计算的推荐架构

079 | 现代推荐架构剖析之二:基于多层搜索架构的推荐系统

080 | 现代推荐架构剖析之三:复杂现代推荐架构漫谈

081 | 基于深度学习的推荐模型之一:受限波兹曼机

082 | 基于深度学习的推荐模型之二:基于RNN的推荐系统

083 | 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

084 | LDA变种模型知多少

085 | 针对大规模数据,如何优化LDA算法?

086 | 基础文本分析模型之一:隐语义分析

087 | 基础文本分析模型之二:概率隐语义分析

088 | 基础文本分析模型之三:EM算法

089 | 为什么需要Word2Vec算法?

090 | Word2Vec算法有哪些扩展模型?

091 | Word2Vec算法有哪些应用?

092 | 序列建模的深度学习利器:RNN基础架构

093 | 基于门机制的RNN架构:LSTM与GRU

094 | RNN在自然语言处理中有哪些应用场景?

095 | 对话系统之经典的对话模型

096 | 任务型对话系统有哪些技术要点?

097 | 聊天机器人有哪些核心技术要点?

098 | 什么是文档情感分类?

099 | 如何来提取情感“实体”和“方面”呢?

100 | 文本情感分析中如何做意见总结和搜索?

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

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

103 | The Web 2018论文精读:如何从文本中提取高元关系?

104 | 如何快速学习国际顶级学术会议的内容?

复盘 3 | 自然语言处理及文本处理核心技术模块

105 | 广告系统概述

106 | 广告系统架构

107 | 广告回馈预估综述

108 | Facebook的广告点击率预估模型

109 | 雅虎的广告点击率预估模型

110 | LinkedIn的广告点击率预估模型

111 | Twitter的广告点击率预估模型

112 | 阿里巴巴的广告点击率预估模型

113 | 什么是“基于第二价位的广告竞拍”?

114 | 广告的竞价策略是怎样的?

115 | 如何优化广告的竞价策略?

116 | 如何控制广告预算?

117 | 如何设置广告竞价的底价?

118 | 聊一聊“程序化直接购买”和“广告期货”

119 | 归因模型:如何来衡量广告的有效性

120 | 广告投放如何选择受众?如何扩展受众群?

121 | 如何利用机器学习技术来检测广告欺诈?

122 | 数据科学家必备套路之一:搜索套路

123 | 数据科学家必备套路之二:推荐套路

124 | 数据科学家必备套路之三:广告套路

125 | SIGIR 2018论文精读:偏差和“流行度”之间的关系

126 | 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?

127 | 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?

128 | CVPR 2018论文精读:如何研究计算机视觉任务之间的关系?

129 | CVPR 2018论文精读:如何从整体上对人体进行三维建模?

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

131 | 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

132 | ICML 2018论文精读:聊一聊机器学习算法的“公平性”问题

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

134 | ACL 2018论文精读:问答系统场景下,如何提出好问题?

135 | ACL 2018论文精读:什么是对话中的前提触发?如何检测?

136 | ACL 2018论文精读:什么是“端到端”的语义哈希?

137 | 如何做好人工智能项目的管理?

138 | 数据科学团队必备的工程流程三部曲

139 | 数据科学团队怎么选择产品和项目?

140 | 什么是计算机视觉?

141 | 掌握计算机视觉任务的基础模型和操作

142 | 计算机视觉中的特征提取难在哪里?

143 | 基于深度学习的计算机视觉技术(一):深度神经网络入门

144 | 基于深度学习的计算机视觉技术(二):基本的深度学习模型

145 | 基于深度学习的计算机视觉技术(三):深度学习模型的优化

146 | 计算机视觉领域的深度学习模型(一):AlexNet

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

148 | 计算机视觉领域的深度学习模型(三):ResNet

149 | 计算机视觉高级话题(一):图像物体识别和分割

150 | 计算机视觉高级话题(二):视觉问答

151 | 计算机视觉高级话题(三):产生式模型

152 | 在人工智能领域,如何快速找到学习的切入点?

153 | 人工智能技术选择,该从哪里获得灵感?

154 | 近在咫尺,走进人工智能研究

155 | 微软研究院:工业界研究机构的楷模

156 | 聊一聊谷歌特立独行的混合型研究

复盘 4 | 广告系统核心技术模块

复盘 5 | 计算机视觉核心技术模块

复盘 6 | 数据科学家与数据科学团队是怎么养成的?

复盘 7 | 一起来读人工智能国际顶级会议论文

结束语 | 雄关漫道真如铁,而今迈步从头越

results matching ""

    No results matching ""