html
001讲如何组建一个数据科学团队.html(36.44K)
002讲聊聊2017年KDD大会的时间检验奖.html(32.66K)
003讲数据科学家基础能力之概率统计.html(37.99K)
004讲数据科学家基础能力之机器学习.html(42.10K)
005讲数据科学家基础能力之系统.html(35.90K)
006讲Google的点击率系统模型.html(33.10K)
007讲LDA模型的前世今生.html(34.71K)
008讲曾经辉煌的雅虎研究院.html(40.17K)
009讲数据科学家高阶能力之分析产品.html(35.47K)
010讲数据科学家高阶能力之评估产品.html(32.71K)
011讲数据科学家高阶能力之如何系统提升产品性能.html(30.74K)
012讲精读2017年KDD最佳研究论文.html(32.30K)
013讲精读2017年KDD最佳应用数据科学论文.html(29.66K)
014讲精读AlphaGoZero论文.html(29.97K)
015讲精读2017年EMNLP最佳长论文之一.html(29.40K)
016讲精读2017年EMNLP最佳长论文之二.html(32.35K)
017讲精读2017年EMNLP最佳短论文.html(30.18K)
018讲经典搜索核心算法：TF-IDF及其变种.html(35.39K)
019讲经典搜索核心算法：BM25及其变种（内附全年目录）.html(29.92K)
020讲经典搜索核心算法：语言模型及其变种.html(33.45K)
021讲机器学习排序算法：单点法排序学习.html(31.69K)
022讲机器学习排序算法：配对法排序学习.html(29.46K)
023讲机器学习排序算法：列表法排序学习.html(30.35K)
024讲“查询关键字理解”三部曲之分类.html(30.62K)
025讲“查询关键字理解”三部曲之解析.html(30.41K)
026讲“查询关键字理解”三部曲之扩展.html(29.84K)
027讲搜索系统评测，有哪些基础指标.html(31.47K)
028讲搜索系统评测，有哪些高级指标.html(29.48K)
029讲如何评测搜索系统的在线表现.html(28.04K)
030讲文档理解第一步：文档分类.html(30.84K)
031讲文档理解的关键步骤：文档聚类.html(27.95K)
032讲文档理解的重要特例：多模文档建模.html(28.04K)
033讲大型搜索框架宏观视角：发展、特点及趋势.html(28.58K)
034讲多轮打分系统概述.html(31.38K)
035讲搜索索引及其相关技术概述.html(28.79K)
036讲PageRank算法的核心思想是什么.html(28.59K)
037讲经典图算法之HITS.html(29.03K)
038讲社区检测算法之“模块最大化”.html(26.50K)
039讲机器学习排序算法经典模型：RankSVM.html(29.19K)
040讲机器学习排序算法经典模型：GBDT.html(30.53K)
041讲机器学习排序算法经典模型：LambdaMART.html(29.66K)
042讲基于深度学习的搜索算法：深度结构化语义模型.html(28.11K)
043讲基于深度学习的搜索算法：卷积结构下的隐含语义模型.html(26.04K)
044讲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(26.62K)
045讲职场话题：当数据科学家遇见产品团队.html(27.82K)
046讲职场话题：数据科学家应聘要具备哪些能力.html(29.98K)
047讲职场话题：聊聊数据科学家的职场规划.html(27.46K)
048讲精读2017年ICCV最佳研究论文.html(30.32K)
049讲精读2017年ICCV最佳学生论文.html(27.38K)
050讲如何将“深度强化学习”应用到视觉问答系统.html(27.98K)
051讲精读2017年NIPS最佳研究论文之一：如何解决非凸优化问题.html(28.96K)
052讲精读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(28.53K)
053讲精读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(27.37K)
054讲数据科学团队养成：电话面试指南.html(30.34K)
055讲数据科学团队养成：Onsite面试面面观.html(26.82K)
056讲成为“香饽饽”的数据科学家，如何衡量他们的工作呢.html(29.45K)
057讲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(28.86K)
058讲数据科学家团队组织架构：水平还是垂直，这是个问题.html(28.71K)
059讲2017人工智能技术发展盘点.html(31.05K)
060讲WSDM2018论文精读：看谷歌团队如何做位置偏差估计.html(29.51K)
061讲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(27.40K)
062讲WSDM2018论文精读：深度学习模型中如何使用上下文信息.html(24.61K)
063讲简单推荐模型之一：基于流行度的推荐模型.html(31.97K)
064讲简单推荐模型之二：基于相似信息的推荐模型.html(30.23K)
065讲简单推荐模型之三：基于内容信息的推荐模型.html(29.29K)
066讲基于隐变量的模型之一：矩阵分解.html(29.30K)
067讲基于隐变量的模型之二：基于回归的矩阵分解.html(30.10K)
068讲基于隐变量的模型之三：分解机.html(25.42K)
069讲高级推荐模型之一：张量分解模型.html(28.36K)
070讲高级推荐模型之二：协同矩阵分解.html(27.17K)
071讲高级推荐模型之三：优化复杂目标函数.html(27.56K)
072讲推荐的Exploit和Explore算法之一：EE算法综述.html(29.27K)
073讲推荐的Exploit和Explore算法之二：UCB算法.html(27.17K)
074讲推荐的Exploit和Explore算法之三：汤普森采样算法.html(27.17K)
075讲推荐系统评测之一：传统线下评测.html(27.24K)
076讲推荐系统评测之二：线上评测.html(27.89K)
077讲推荐系统评测之三：无偏差估计.html(25.98K)
078讲现代推荐架构剖析之一：基于线下离线计算的推荐架构.html(30.59K)
079讲现代推荐架构剖析之二：基于多层搜索架构的推荐系统.html(28.07K)
080讲现代推荐架构剖析之三：复杂现代推荐架构漫谈.html(27.58K)
081讲基于深度学习的推荐模型之一：受限波兹曼机.html(27.52K)
082讲基于深度学习的推荐模型之二：基于RNN的推荐系统.html(27.67K)
083讲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(27.64K)
084讲LDA变种模型知多少.html(29.53K)
085讲针对大规模数据，如何优化LDA算法.html(29.14K)
086讲基础文本分析模型之一：隐语义分析.html(26.26K)
087讲基础文本分析模型之二：概率隐语义分析.html(24.25K)
088讲基础文本分析模型之三：EM算法.html(27.38K)
089讲为什么需要Word2Vec算法.html(26.59K)
090讲Word2Vec算法有哪些扩展模型.html(27.02K)
091讲Word2Vec算法有哪些应用.html(24.47K)
092讲序列建模的深度学习利器：RNN基础架构.html(26.82K)
093讲基于门机制的RNN架构：LSTM与GRU.html(27.33K)
094讲RNN在自然语言处理中有哪些应用场景.html(26.42K)
095讲对话系统之经典的对话模型.html(28.02K)
096讲任务型对话系统有哪些技术要点.html(26.14K)
097讲聊天机器人有哪些核心技术要点.html(27.31K)
098讲什么是文档情感分类.html(25.77K)
099讲如何来提取情感“实体”和“方面”呢.html(25.76K)
100讲文本情感分析中如何做意见总结和搜索.html(25.71K)
101讲TheWeb2018论文精读：如何对商品的图片美感进行建模.html(27.71K)
102讲TheWeb2018论文精读：如何改进经典的推荐算法BPR.html(25.87K)
103讲TheWeb2018论文精读：如何从文本中提取高元关系.html(26.81K)
104讲如何快速学习国际**学术会议的内容.html(29.84K)
105讲广告系统概述.html(30.38K)
106讲广告系统架构.html(26.32K)
107讲广告回馈预估综述.html(26.56K)
108讲Facebook的广告点击率预估模型.html(29.67K)
109讲雅虎的广告点击率预估模型.html(26.28K)
110讲LinkedIn的广告点击率预估模型.html(26.78K)
111讲Twitter的广告点击率预估模型.html(27.51K)
112讲阿里巴巴的广告点击率预估模型.html(28.67K)
113讲什么是“基于第二价位的广告竞拍”.html(27.33K)
114讲广告的竞价策略是怎样的.html(27.40K)
115讲如何优化广告的竞价策略.html(26.37K)
116讲如何控制广告预算.html(26.39K)
117讲如何设置广告竞价的底价.html(28.56K)
118讲聊一聊“程序化直接购买”和“广告期货”.html(27.90K)
119讲归因模型：如何来衡量广告的有效性.html(26.29K)
120讲广告投放如何选择受众如何扩展受众群.html(27.00K)
121讲如何利用机器学习技术来检测广告欺诈.html(26.26K)
122讲数据科学家必备套路之一：搜索套路.html(29.09K)
123讲数据科学家必备套路之二：推荐套路.html(27.23K)
124讲数据科学家必备套路之三：广告套路.html(27.32K)
125讲SIGIR2018论文精读：偏差和“流行度”之间的关系.html(28.54K)
126讲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(27.09K)
127讲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(26.47K)
128讲CVPR2018论文精读：如何研究计算机视觉任务之间的关系.html(27.81K)
129讲CVPR2018论文精读：如何从整体上对人体进行三维建模.html(26.48K)
130讲CVPR2018论文精读：如何解决排序学习计算复杂度高这个问题.html(26.45K)
131讲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(27.29K)
132讲ICML2018论文精读：聊一聊机器学习算法的“公平性”问题.html(26.04K)
133讲ICML2018论文精读：优化目标函数的时候，有可能放大了“不公平”.html(26.91K)
134讲ACL2018论文精读：问答系统场景下，如何提出好问题.html(28.25K)
135讲ACL2018论文精读：什么是对话中的前提触发如何检测.html(26.74K)
136讲ACL2018论文精读：什么是“端到端”的语义哈希.html(26.60K)
137讲如何做好人工智能项目的管理.html(27.13K)
138讲数据科学团队必备的工程流程三部曲.html(28.65K)
139讲数据科学团队怎么选择产品和项目.html(27.75K)
140讲什么是计算机视觉.html(28.50K)
141讲掌握计算机视觉任务的基础模型和操作.html(25.94K)
142讲计算机视觉中的特征提取难在哪里.html(25.95K)
143讲基于深度学习的计算机视觉技术（一）：深度神经网络入门.html(27.70K)
144讲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(28.58K)
145讲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(27.81K)
146讲计算机视觉领域的深度学习模型（一）：AlexNet.html(25.87K)
147讲计算机视觉领域的深度学习模型（二）：VGG&GoogleNet.html(29.25K)
148讲计算机视觉领域的深度学习模型（三）：ResNet.html(27.41K)
149讲计算机视觉高级话题（一）：图像物体识别和分割.html(25.45K)
150讲计算机视觉高级话题（二）：视觉问答.html(26.00K)
151讲计算机视觉高级话题（三）：产生式模型.html(25.93K)
152讲在人工智能领域，如何快速找到学习的切入点.html(27.35K)
153讲人工智能技术选择，该从哪里获得灵感.html(26.38K)
154讲近在咫尺，走进人工智能研究.html(27.39K)
155讲微软研究院：工业界研究机构的楷模.html(27.83K)
156讲聊一聊谷歌特立独行的混合型研究.html(27.58K)
复盘1讲搜索核心技术模块.html(26.92K)
复盘2讲推荐系统核心技术模块.html(25.38K)
复盘3讲自然语言处理及文本处理核心技术模块.html(23.72K)
复盘4讲广告系统核心技术模块.html(22.55K)
复盘5讲计算机视觉核心技术模块.html(21.72K)
复盘6讲数据科学家与数据科学团队是怎么养成的.html(25.05K)
复盘7讲一起来读人工智能国际**会议论文.html(27.79K)
结束语讲雄关漫道真如铁，而今迈步从头越.html(32.90K)
开篇词讲你的360度人工智能信息助理.html(32.47K)
内参特刊讲和你聊聊每个人都关心的人工智能热点话题.html(35.16K)
评论0