- 000 开篇词 你的360度人工智能信息助理
- 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？
- 030 复盘 7 一起来读人工智能国际顶级会议论文
- 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
- 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
- 057 复盘 1 搜索核心技术模块
- 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
- 078 复盘 2 推荐系统核心技术模块
- 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 复盘 4 广告系统核心技术模块
- 096 如何利用机器学习技术来检测广告欺诈？
- 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 复盘 3 自然语言处理及文本处理核心技术模块
- 114 文本情感分析中如何做意见总结和搜索？
- 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
- 126复盘 5 计算机视觉核心技术模块
- 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 复盘 6 数据科学家与数据科学团队是怎么养成的？
- 150 聊一聊谷歌特立独行的混合型研究
- 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 内参特刊 和你聊聊每个人都关心的人工智能热点话题
- 156 近在咫尺，走进人工智能研究
- 结束语 雄关漫道真如铁，而今迈步从头越
@技术书栈 Powered by gin and hexo-theme-book.