AI技术内参

• 000-开篇词-你的360度人工智能信息助理.html
• 001-001-聊聊2017年KDD大会的时间检验奖.html
• 002-002-精读2017年KDD最佳研究论文.html
• 003-003-精读2017年KDD最佳应用数据科学论文.html
• 004-004-精读2017年EMNLP最佳长论文之一.html
• 005-005-精读2017年EMNLP最佳长论文之二.html
• 006-006-精读2017年EMNLP最佳短论文.html
• 007-007-精读2017年ICCV最佳研究论文.html
• 008-008-精读2017年ICCV最佳学生论文.html
• 009-009-如何将“深度强化学习”应用到视觉问答系统？.html
• 010-010-精读2017年NIPS最佳研究论文之一：如何解决非凸优化问题？.html
• 011-011-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？.html
• 012-012-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？.html
• 013-013-WSDM2018论文精读：看谷歌团队如何做位置偏差估计.html
• 014-014-WSDM2018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.html
• 015-015-WSDM2018论文精读：深度学习模型中如何使用上下文信息？.html
• 016-016-TheWeb2018论文精读：如何对商品的图片美感进行建模？.html
• 017-017-TheWeb2018论文精读：如何改进经典的推荐算法BPR？.html
• 018-018-TheWeb2018论文精读：如何从文本中提取高元关系？.html
• 019-019-SIGIR2018论文精读：偏差和“流行度”之间的关系.html
• 020-020-SIGIR2018论文精读：如何利用对抗学习来增强排序模型的普适性？.html
• 021-021-SIGIR2018论文精读：如何对搜索页面上的点击行为进行序列建模？.html
• 022-022-CVPR2018论文精读：如何研究计算机视觉任务之间的关系？.html
• 023-023-CVPR2018论文精读：如何从整体上对人体进行三维建模？.html
• 024-024-CVPR2018论文精读：如何解决排序学习计算复杂度高这个问题？.html
• 025-025-ICML2018论文精读：模型经得起对抗样本的攻击？这或许只是个错觉.html
• 026-026-ICML2018论文精读：聊一聊机器学习算法的“公平性”问题.html
• 027-027-ICML2018论文精读：优化目标函数的时候，有可能放大了“不公平”？.html
• 028-028-ACL2018论文精读：问答系统场景下，如何提出好问题？.html
• 029-029-ACL2018论文精读：什么是对话中的前提触发？如何检测？.html
• 030-030-ACL2018论文精读：什么是“端到端”的语义哈希？.html
• 031-复盘7-一起来读人工智能国际顶级会议论文.html
• 032-031-经典搜索核心算法：TF-IDF及其变种.html
• 033-032-经典搜索核心算法：BM25及其变种（内附全年目录）.html
• 034-033-经典搜索核心算法：语言模型及其变种.html
• 035-034-机器学习排序算法：单点法排序学习.html
• 036-035-机器学习排序算法：配对法排序学习.html
• 037-036-机器学习排序算法：列表法排序学习.html
• 038-037-“查询关键字理解”三部曲之分类.html
• 039-038-“查询关键字理解”三部曲之解析.html
• 040-039-“查询关键字理解”三部曲之扩展.html
• 041-040-搜索系统评测，有哪些基础指标？.html
• 042-041-搜索系统评测，有哪些高级指标？.html
• 043-042-如何评测搜索系统的在线表现？.html
• 044-043-文档理解第一步：文档分类.html
• 045-044-文档理解的关键步骤：文档聚类.html
• 046-045-文档理解的重要特例：多模文档建模.html
• 047-046-大型搜索框架宏观视角：发展、特点及趋势.html
• 048-047-多轮打分系统概述.html
• 049-048-搜索索引及其相关技术概述.html
• 050-049-PageRank算法的核心思想是什么？.html
• 051-050-经典图算法之HITS.html
• 052-051-社区检测算法之“模块最大化”.html
• 053-052-机器学习排序算法经典模型：RankSVM.html
• 054-053-机器学习排序算法经典模型：GBDT.html
• 055-054-机器学习排序算法经典模型：LambdaMART.html
• 056-055-基于深度学习的搜索算法：深度结构化语义模型.html
• 057-056-基于深度学习的搜索算法：卷积结构下的隐含语义模型.html
• 058-057-基于深度学习的搜索算法：局部和分布表征下的搜索模型.html
• 059-复盘1-搜索核心技术模块.html
• 060-058-简单推荐模型之一：基于流行度的推荐模型.html
• 061-059-简单推荐模型之二：基于相似信息的推荐模型.html
• 062-060-简单推荐模型之三：基于内容信息的推荐模型.html
• 063-061-基于隐变量的模型之一：矩阵分解.html
• 064-062-基于隐变量的模型之二：基于回归的矩阵分解.html
• 065-063-基于隐变量的模型之三：分解机.html
• 066-064-高级推荐模型之一：张量分解模型.html
• 067-065-高级推荐模型之二：协同矩阵分解.html
• 068-066-高级推荐模型之三：优化复杂目标函数.html
• 069-067-推荐的Exploit和Explore算法之一：EE算法综述.html
• 070-068-推荐的Exploit和Explore算法之二：UCB算法.html
• 071-069-推荐的Exploit和Explore算法之三：汤普森采样算法.html
• 072-070-推荐系统评测之一：传统线下评测.html
• 073-071-推荐系统评测之二：线上评测.html
• 074-072-推荐系统评测之三：无偏差估计.html
• 075-073-现代推荐架构剖析之一：基于线下离线计算的推荐架构.html
• 076-074-现代推荐架构剖析之二：基于多层搜索架构的推荐系统.html
• 077-075-现代推荐架构剖析之三：复杂现代推荐架构漫谈.html
• 078-076-基于深度学习的推荐模型之一：受限波兹曼机.html
• 079-077-基于深度学习的推荐模型之二：基于RNN的推荐系统.html
• 080-078-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.html
• 081-复盘2-推荐系统核心技术模块.html
• 082-079-广告系统概述.html
• 083-080-广告系统架构.html
• 084-081-广告回馈预估综述.html
• 085-082-Google的点击率系统模型.html
• 086-083-Facebook的广告点击率预估模型.html
• 087-084-雅虎的广告点击率预估模型.html
• 088-085-LinkedIn的广告点击率预估模型.html
• 089-086-Twitter的广告点击率预估模型.html
• 090-087-阿里巴巴的广告点击率预估模型.html
• 091-088-什么是“基于第二价位的广告竞拍”？.html
• 092-089-广告的竞价策略是怎样的？.html
• 093-090-如何优化广告的竞价策略？.html
• 094-091-如何控制广告预算？.html
• 095-092-如何设置广告竞价的底价？.html
• 096-093-聊一聊“程序化直接购买”和“广告期货”.html
• 097-094-归因模型：如何来衡量广告的有效性.html
• 098-095-广告投放如何选择受众？如何扩展受众群？.html
• 099-096-如何利用机器学习技术来检测广告欺诈？.html
• 100-复盘4-广告系统核心技术模块.html
• 101-097-LDA模型的前世今生.html
• 102-098-LDA变种模型知多少.html
• 103-099-针对大规模数据，如何优化LDA算法？.html
• 104-100-基础文本分析模型之一：隐语义分析.html
• 105-101-基础文本分析模型之二：概率隐语义分析.html
• 106-102-基础文本分析模型之三：EM算法.html
• 107-103-为什么需要Word2Vec算法？.html
• 108-104-Word2Vec算法有哪些扩展模型？.html
• 109-105-Word2Vec算法有哪些应用？.html
• 110-106-序列建模的深度学习利器：RNN基础架构.html
• 111-107-基于门机制的RNN架构：LSTM与GRU.html
• 112-108-RNN在自然语言处理中有哪些应用场景？.html
• 113-109-对话系统之经典的对话模型.html
• 114-110-任务型对话系统有哪些技术要点？.html
• 115-111-聊天机器人有哪些核心技术要点？.html
• 116-112-什么是文档情感分类？.html
• 117-113-如何来提取情感“实体”和“方面”呢？.html
• 118-114-文本情感分析中如何做意见总结和搜索？.html
• 119-复盘3-自然语言处理及文本处理核心技术模块.html
• 120-115-什么是计算机视觉？.html
• 121-116-掌握计算机视觉任务的基础模型和操作.html
• 122-117-计算机视觉中的特征提取难在哪里？.html
• 123-118-基于深度学习的计算机视觉技术（一）：深度神经网络入门.html
• 124-119-基于深度学习的计算机视觉技术（二）：基本的深度学习模型.html
• 125-120-基于深度学习的计算机视觉技术（三）：深度学习模型的优化.html
• 126-121-计算机视觉领域的深度学习模型（一）：AlexNet.html
• 127-122-计算机视觉领域的深度学习模型（二）：VGG&GoogleNet.html
• 128-123-计算机视觉领域的深度学习模型（三）：ResNet.html
• 129-124-计算机视觉高级话题（一）：图像物体识别和分割.html
• 130-125-计算机视觉高级话题（二）：视觉问答.html
• 131-126-计算机视觉高级话题（三）：产生式模型.html
• 132-复盘5-计算机视觉核心技术模块.html
• 133-127-数据科学家基础能力之概率统计.html
• 134-128-数据科学家基础能力之机器学习.html
• 135-129-数据科学家基础能力之系统.html
• 136-130-数据科学家高阶能力之分析产品.html
• 137-131-数据科学家高阶能力之评估产品.html
• 138-132-数据科学家高阶能力之如何系统提升产品性能.html
• 139-133-职场话题：当数据科学家遇见产品团队.html
• 140-134-职场话题：数据科学家应聘要具备哪些能力？.html
• 141-135-职场话题：聊聊数据科学家的职场规划.html
• 142-136-如何组建一个数据科学团队？.html
• 143-137-数据科学团队养成：电话面试指南.html
• 144-138-数据科学团队养成：Onsite面试面面观.html
• 146-140-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？.html
• 147-141-数据科学家团队组织架构：水平还是垂直，这是个问题.html
• 148-142-数据科学家必备套路之一：搜索套路.html
• 149-143-数据科学家必备套路之二：推荐套路.html
• 150-144-数据科学家必备套路之三：广告套路.html
• 151-145-如何做好人工智能项目的管理？.html
• 152-146-数据科学团队必备的工程流程三部曲.html
• 153-147-数据科学团队怎么选择产品和项目？.html
• 154-148-曾经辉煌的雅虎研究院.html
• 155-149-微软研究院：工业界研究机构的楷模.html
• 156-150-聊一聊谷歌特立独行的混合型研究.html
• 157-复盘6-数据科学家与数据科学团队是怎么养成的？.html
• 158-151-精读AlphaGoZero论文.html
• 159-152-2017人工智能技术发展盘点.html
• 160-153-如何快速学习国际顶级学术会议的内容？.html
• 161-154-在人工智能领域，如何快速找到学习的切入点？.html
• 162-155-人工智能技术选择，该从哪里获得灵感？.html
• 163-156-近在咫尺，走进人工智能研究.html
• 164-内参特刊-和你聊聊每个人都关心的人工智能热点话题.html
• 165-结束语-雄关漫道真如铁，而今迈步从头越.html