人工智能深度学习AI技术内参2018

fguhg567 · 发表于 2020-10-10 15:22:00

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
│    19

ageRank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
│    7

inkedIn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)
│    1

DA模型的前世今生
│ 2

DA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

下载地址:霜&*(&源

游客，如果您要查看本帖隐藏内容请回复