AI技术内参

目录

• 人工智能国际顶级会议

  • 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

• 广告系统核心技术

  • 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

• 开篇词

  • 开篇词 _ 你的360度人工智能信息助理

• 推荐系统核心技术

  • 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

• 搜索核心技术

  • 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

• 数据科学家与数据科学团队养成

  • 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

  • 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

  • 结束语 _ 雄关漫道真如铁，而今迈步从头越

• 自然语言处理及文本处理核心技术

  • 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

  • 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