开篇词 (1讲)

开篇词 | 你的360度人工智能信息助理

时长 04:57
人工智能国际顶级会议 (31讲)

001 | 聊聊2017年KDD大会的时间检验奖

时长 11:00

002 | 精读2017年KDD最佳研究论文

时长 10:35

003 | 精读2017年KDD最佳应用数据科学论文

时长 09:34

004 | 精读2017年EMNLP最佳长论文之一

时长 08:32

005 | 精读2017年EMNLP最佳长论文之二

时长 08:55

006 | 精读2017年EMNLP最佳短论文

时长 09:31

007 | 精读2017年ICCV最佳研究论文

时长 09:14

008 | 精读2017年ICCV最佳学生论文

时长 07:21

009 | 如何将“深度强化学习”应用到视觉问答系统?

时长 08:08

010 | 精读2017年NIPS最佳研究论文之一:如何解决非凸优化问题?

时长 07:27

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?

时长 07:27

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?

时长 06:55

013 | WSDM 2018论文精读:看谷歌团队如何做位置偏差估计

时长 08:49

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

时长 08:00

015 | WSDM 2018论文精读:深度学习模型中如何使用上下文信息?

时长 05:04

016 | The Web 2018论文精读:如何对商品的图片美感进行建模?

时长 08:01

017 | The Web 2018论文精读:如何改进经典的推荐算法BPR?

时长 05:47

018 | The Web 2018论文精读:如何从文本中提取高元关系?

时长 06:05

019 | SIGIR 2018论文精读:偏差和“流行度”之间的关系

时长 08:35

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?

时长 06:59

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?

时长 07:14

022 | CVPR 2018论文精读:如何研究计算机视觉任务之间的关系?

时长 07:50

023 | CVPR 2018论文精读:如何从整体上对人体进行三维建模?

时长 06:28

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?

时长 07:05

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

时长 07:35

026 | ICML 2018论文精读:聊一聊机器学习算法的“公平性”问题

时长 06:36

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”?

时长 06:22

028 | ACL 2018论文精读:问答系统场景下,如何提出好问题?

时长 07:50

029 | ACL 2018论文精读:什么是对话中的前提触发?如何检测?

时长 07:33

030 | ACL 2018论文精读:什么是“端到端”的语义哈希?

时长 07:27

复盘 7 | 一起来读人工智能国际顶级会议论文

时长 04:35
搜索核心技术 (28讲)

031 | 经典搜索核心算法:TF-IDF及其变种

时长 11:19

032 | 经典搜索核心算法:BM25及其变种(内附全年目录)

时长 09:45

033 | 经典搜索核心算法:语言模型及其变种

时长 10:08

034 | 机器学习排序算法:单点法排序学习

时长 09:33

035 | 机器学习排序算法:配对法排序学习

时长 08:38

036 | 机器学习排序算法:列表法排序学习

时长 08:07

037 | “查询关键字理解”三部曲之分类

时长 09:08

038 | “查询关键字理解”三部曲之解析

时长 07:57

039 | “查询关键字理解”三部曲之扩展

时长 07:30

040 | 搜索系统评测,有哪些基础指标?

时长 08:43

041 | 搜索系统评测,有哪些高级指标?

时长 07:17

042 | 如何评测搜索系统的在线表现?

时长 07:55

043 | 文档理解第一步:文档分类

时长 08:31

044 | 文档理解的关键步骤:文档聚类

时长 07:25

045 | 文档理解的重要特例:多模文档建模

时长 07:42

046 | 大型搜索框架宏观视角:发展、特点及趋势

时长 08:30

047 | 多轮打分系统概述

时长 07:18

048 | 搜索索引及其相关技术概述

时长 07:54

049 | PageRank算法的核心思想是什么?

时长 08:01

050 | 经典图算法之HITS

时长 07:29

051 | 社区检测算法之“模块最大化 ”

时长 06:40

052 | 机器学习排序算法经典模型:RankSVM

时长 07:54

053 | 机器学习排序算法经典模型:GBDT

时长 06:56

054 | 机器学习排序算法经典模型:LambdaMART

时长 07:25

055 | 基于深度学习的搜索算法:深度结构化语义模型

时长 08:08

056 | 基于深度学习的搜索算法:卷积结构下的隐含语义模型

时长 06:42

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

时长 07:30

复盘 1 | 搜索核心技术模块

时长 02:37
推荐系统核心技术 (22讲)

058 | 简单推荐模型之一:基于流行度的推荐模型

时长 08:50

059 | 简单推荐模型之二:基于相似信息的推荐模型

时长 08:05

060 | 简单推荐模型之三:基于内容信息的推荐模型

时长 07:34

061 | 基于隐变量的模型之一:矩阵分解

时长 07:07

062 | 基于隐变量的模型之二:基于回归的矩阵分解

时长 07:16

063 | 基于隐变量的模型之三:分解机

时长 05:05

064 | 高级推荐模型之一:张量分解模型

时长 07:14

065 | 高级推荐模型之二:协同矩阵分解

时长 06:41

066 | 高级推荐模型之三:优化复杂目标函数

时长 06:09

067 | 推荐的Exploit和Explore算法之一:EE算法综述

时长 07:56

068 | 推荐的Exploit和Explore算法之二:UCB算法

时长 06:33

069 | 推荐的Exploit和Explore算法之三:汤普森采样算法

时长 06:28

070 | 推荐系统评测之一:传统线下评测

时长 06:34

071 | 推荐系统评测之二:线上评测

时长 06:29

072 | 推荐系统评测之三:无偏差估计

时长 06:17

073 | 现代推荐架构剖析之一:基于线下离线计算的推荐架构

时长 07:07

074 | 现代推荐架构剖析之二:基于多层搜索架构的推荐系统

时长 06:18

075 | 现代推荐架构剖析之三:复杂现代推荐架构漫谈

时长 05:41

076 | 基于深度学习的推荐模型之一:受限波兹曼机

时长 07:21

077 | 基于深度学习的推荐模型之二:基于RNN的推荐系统

时长 06:45

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

时长 06:37

复盘 2 | 推荐系统核心技术模块

时长 02:18
广告系统核心技术 (19讲)

079 | 广告系统概述

时长 08:04

080 | 广告系统架构

时长 05:59

081 | 广告回馈预估综述

时长 06:25

082 | Google的点击率系统模型

时长 10:07

083 | Facebook的广告点击率预估模型

时长 06:33

084 | 雅虎的广告点击率预估模型

时长 05:47

085 | LinkedIn的广告点击率预估模型

时长 05:18

086 | Twitter的广告点击率预估模型

时长 06:50

087 | 阿里巴巴的广告点击率预估模型

时长 07:08

088 | 什么是“基于第二价位的广告竞拍”?

时长 06:40

089 | 广告的竞价策略是怎样的?

时长 07:00

090 | 如何优化广告的竞价策略?

时长 06:09

091 | 如何控制广告预算?

时长 05:11

092 | 如何设置广告竞价的底价?

时长 06:32

093 | 聊一聊“程序化直接购买”和“广告期货”

时长 06:03

094 | 归因模型:如何来衡量广告的有效性

时长 06:25

095 | 广告投放如何选择受众?如何扩展受众群?

时长 06:24

096 | 如何利用机器学习技术来检测广告欺诈?

时长 06:21

复盘 4 | 广告系统核心技术模块

时长 01:04
自然语言处理及文本处理核心技术 (19讲)

097 | LDA模型的前世今生

时长 11:13

098 | LDA变种模型知多少

时长 07:49

099 | 针对大规模数据,如何优化LDA算法?

时长 07:21

100 | 基础文本分析模型之一:隐语义分析

时长 05:49

101 | 基础文本分析模型之二:概率隐语义分析

时长 04:35

102 | 基础文本分析模型之三:EM算法

时长 06:35

103 | 为什么需要Word2Vec算法?

时长 06:03

104 | Word2Vec算法有哪些扩展模型?

时长 06:20

105 | Word2Vec算法有哪些应用?

时长 05:24

106 | 序列建模的深度学习利器:RNN基础架构

时长 06:58

107 | 基于门机制的RNN架构:LSTM与GRU

时长 07:17

108 | RNN在自然语言处理中有哪些应用场景?

时长 06:36

109 | 对话系统之经典的对话模型

时长 07:07

110 | 任务型对话系统有哪些技术要点?

时长 06:11

111 | 聊天机器人有哪些核心技术要点?

时长 05:36

112 | 什么是文档情感分类?

时长 06:19

113 | 如何来提取情感“实体”和“方面”呢?

时长 05:39

114 | 文本情感分析中如何做意见总结和搜索?

时长 06:29

复盘 3 | 自然语言处理及文本处理核心技术模块

时长 01:30
计算机视觉核心技术 (13讲)

115 | 什么是计算机视觉?

时长 07:12

116 | 掌握计算机视觉任务的基础模型和操作

时长 06:12

117 | 计算机视觉中的特征提取难在哪里?

时长 06:10

118 | 基于深度学习的计算机视觉技术(一):深度神经网络入门

时长 07:08

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

时长 07:41

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

时长 07:25

121 | 计算机视觉领域的深度学习模型(一):AlexNet

时长 06:46

122 | 计算机视觉领域的深度学习模型(二):VGG & GoogleNet

时长 07:08

123 | 计算机视觉领域的深度学习模型(三):ResNet

时长 05:37

124 | 计算机视觉高级话题(一):图像物体识别和分割

时长 05:51

125 | 计算机视觉高级话题(二):视觉问答

时长 04:51

126 | 计算机视觉高级话题(三):产生式模型

时长 06:06

复盘 5 | 计算机视觉核心技术模块

时长 01:21
数据科学家与数据科学团队养成 (25讲)

127 | 数据科学家基础能力之概率统计

时长 10:20

128 | 数据科学家基础能力之机器学习

时长 11:40

129 | 数据科学家基础能力之系统

时长 09:35

130 | 数据科学家高阶能力之分析产品

时长 10:30

131 | 数据科学家高阶能力之评估产品

时长 11:16

132 | 数据科学家高阶能力之如何系统提升产品性能

时长 09:35

133 | 职场话题:当数据科学家遇见产品团队

时长 08:25

134 | 职场话题:数据科学家应聘要具备哪些能力?

时长 09:14

135 | 职场话题:聊聊数据科学家的职场规划

时长 08:17

136 | 如何组建一个数据科学团队?

时长 11:18

137 | 数据科学团队养成:电话面试指南

时长 08:38
隐藏内容

此处内容需要权限查看

  • 普通用户购买价格:1金币
  • 会员用户购买价格:免费
  • 永久会员用户购买价格:免费推荐
会员免费查看

138 | 数据科学团队养成:Onsite面试面面观

时长 07:50

139 | 成为“香饽饽”的数据科学家,如何衡量他们的工作呢?

时长 08:25

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?

时长 07:41

141 | 数据科学家团队组织架构:水平还是垂直,这是个问题

时长 07:59

142 | 数据科学家必备套路之一:搜索套路

时长 09:17

143 | 数据科学家必备套路之二:推荐套路

时长 07:35

144 | 数据科学家必备套路之三:广告套路

时长 06:53

145 | 如何做好人工智能项目的管理?

时长 07:12

146 | 数据科学团队必备的工程流程三部曲

时长 08:06

147 | 数据科学团队怎么选择产品和项目?

时长 07:25

148 | 曾经辉煌的雅虎研究院

时长 10:41

149 | 微软研究院:工业界研究机构的楷模

时长 08:18

150 | 聊一聊谷歌特立独行的混合型研究

时长 06:27

复盘 6 | 数据科学家与数据科学团队是怎么养成的?

时长 02:13
热点话题讨论 (7讲)

151 | 精读AlphaGo Zero论文

时长 09:57

152 | 2017人工智能技术发展盘点

时长 08:57

153 | 如何快速学习国际顶级学术会议的内容?

时长 08:10

154 | 在人工智能领域,如何快速找到学习的切入点?

时长 07:36

155 | 人工智能技术选择,该从哪里获得灵感?

时长 06:44

156 | 近在咫尺,走进人工智能研究

时长 07:42

内参特刊 | 和你聊聊每个人都关心的人工智能热点话题

时长 19:50
结束语 (1讲)

结束语 | 雄关漫道真如铁,而今迈步从头越

时长 04:43

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注