AI技术内参某客时间文档共：453.04MB
31279文件名称： AI技术内参某客时间文档共：453.04MB
文件总数量： 335条
压缩文件数量： 0条
压缩文件比： 0%
疑似加密文件： 0条(需要授权播放的文件)
文件创建时间： 2021-9-29 08:53:08
目录：【37-AI技术内参】
目录：【37-AI技术内参】
目录：【37-AI技术内参/10-结束语(1讲)】
结束语丨雄关漫道真如铁，而今迈步从头越_.pdf
结束语丨雄关漫道真如铁，而今迈步从头越_.html
目录：【37-AI技术内参/09-热点话题讨论(7讲)】
内参特刊丨和你聊聊每个人都关心的人工智能热点话题_.pdf
内参特刊丨和你聊聊每个人都关心的人工智能热点话题_.html
154丨近在咫尺，走进人工智能研究_.pdf
154丨近在咫尺，走进人工智能研究_.html
153丨人工智能技术选择，该从哪里获得灵感？_.pdf
153丨人工智能技术选择，该从哪里获得灵感？_.html
152丨在人工智能领域，如何快速找到学习的切入点？_.pdf
152丨在人工智能领域，如何快速找到学习的切入点？_.html
104丨如何快速学习国际顶级学术会议的内容？_.pdf
104丨如何快速学习国际顶级学术会议的内容？_.html
059丨2017人工智能技术发展盘点_.pdf
059丨2017人工智能技术发展盘点_.html
014丨精读AlphaGoZero论文_.pdf
014丨精读AlphaGoZero论文_.html
目录：【37-AI技术内参/08-人工智能国际顶级会议(31讲)】
复盘7丨一起来读人工智能国际顶级会议论文_.pdf
复盘7丨一起来读人工智能国际顶级会议论文_.html
136丨ACL2018论文精读：什么是“端到端”的语义哈希？_.pdf
136丨ACL2018论文精读：什么是“端到端”的语义哈希？_.html
135丨ACL2018论文精读：什么是对话中的前提触发？如何检测？_.pdf
135丨ACL2018论文精读：什么是对话中的前提触发？如何检测？_.html
134丨ACL2018论文精读：问答系统场景下，如何提出好问题？_.pdf
134丨ACL2018论文精读：问答系统场景下，如何提出好问题？_.html
133丨ICML2018论文精读：优化目标函数的时候，有可能放大了“不公平”？_.pdf
133丨ICML2018论文精读：优化目标函数的时候，有可能放大了“不公平”？_.html
132丨ICML2018论文精读：聊一聊机器学习算法的“公平性”问题_.pdf
132丨ICML2018论文精读：聊一聊机器学习算法的“公平性”问题_.html
131丨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_.pdf
131丨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
130丨CVPR2018论文精读：如何解决排序学习计算复杂度高这个问题？_.pdf
130丨CVPR2018论文精读：如何解决排序学习计算复杂度高这个问题？_.html
129丨CVPR2018论文精读：如何从整体上对人体进行三维建模？_.pdf
129丨CVPR2018论文精读：如何从整体上对人体进行三维建模？_.html
128丨CVPR2018论文精读：如何研究计算机视觉任务之间的关系？_.pdf
128丨CVPR2018论文精读：如何研究计算机视觉任务之间的关系？_.html
127丨SIGIR2018论文精读：如何对搜索页面上的点击行为进行序列建模？_.pdf
127丨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
126丨SIGIR2018论文精读：如何利用对抗学习来增强排序模型的普适性？_.pdf
126丨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
125丨SIGIR2018论文精读：偏差和“流行度”之间的关系_.pdf
125丨SIGIR2018论文精读：偏差和“流行度”之间的关系_.html
103丨TheWeb2018论文精读：如何从文本中提取高元关系？_.pdf
103丨TheWeb2018论文精读：如何从文本中提取高元关系？_.html
102丨TheWeb2018论文精读：如何改进经典的推荐算法BPR？_.pdf
102丨TheWeb2018论文精读：如何改进经典的推荐算法BPR？_.html
101丨TheWeb2018论文精读：如何对商品的图片美感进行建模？_.pdf
101丨TheWeb2018论文精读：如何对商品的图片美感进行建模？_.html
062丨WSDM2018论文精读：深度学习模型中如何使用上下文信息？_.pdf
062丨WSDM2018论文精读：深度学习模型中如何使用上下文信息？_.html
061丨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_.pdf
061丨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
060丨WSDM2018论文精读：看谷歌团队如何做位置偏差估计_.pdf
060丨WSDM2018论文精读：看谷歌团队如何做位置偏差估计_.html
053丨精读2017年NIPS最佳研究论文之三：如何解决非完美信息博弈问题？_.pdf
053丨精读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
052丨精读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？_.pdf
052丨精读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
051丨精读2017年NIPS最佳研究论文之一：如何解决非凸优化问题？_.pdf
051丨精读2017年NIPS最佳研究论文之一：如何解决非凸优化问题？_.html
050丨如何将“深度强化学习”应用到视觉问答系统？_.pdf
050丨如何将“深度强化学习”应用到视觉问答系统？_.html
049丨精读2017年ICCV最佳学生论文_.pdf
049丨精读2017年ICCV最佳学生论文_.html
048丨精读2017年ICCV最佳研究论文_.pdf
048丨精读2017年ICCV最佳研究论文_.html
017丨精读2017年EMNLP最佳短论文_.pdf
017丨精读2017年EMNLP最佳短论文_.html
016丨精读2017年EMNLP最佳长论文之二_.pdf
016丨精读2017年EMNLP最佳长论文之二_.html
015丨精读2017年EMNLP最佳长论文之一_.pdf
015丨精读2017年EMNLP最佳长论文之一_.html
013丨精读2017年KDD最佳应用数据科学论文_.pdf
013丨精读2017年KDD最佳应用数据科学论文_.html
012丨精读2017年KDD最佳研究论文_.pdf
012丨精读2017年KDD最佳研究论文_.html
002丨聊聊2017年KDD大会的时间检验奖_.pdf
002丨聊聊2017年KDD大会的时间检验奖_.html
目录：【37-AI技术内参/07-数据科学家与数据科学团队养成(25讲)】
复盘6丨数据科学家与数据科学团队是怎么养成的？_.pdf
复盘6丨数据科学家与数据科学团队是怎么养成的？_.html
156丨聊一聊谷歌特立独行的混合型研究_.pdf
156丨聊一聊谷歌特立独行的混合型研究_.html
155丨微软研究院：工业界研究机构的楷模_.pdf
155丨微软研究院：工业界研究机构的楷模_.html
139丨数据科学团队怎么选择产品和项目？_.pdf
139丨数据科学团队怎么选择产品和项目？_.html
138丨数据科学团队必备的工程流程三部曲_.pdf
138丨数据科学团队必备的工程流程三部曲_.html
137丨如何做好人工智能项目的管理？_.pdf
137丨如何做好人工智能项目的管理？_.html
124丨数据科学家必备套路之三：广告套路_.pdf
124丨数据科学家必备套路之三：广告套路_.html
123丨数据科学家必备套路之二：推荐套路_.pdf
123丨数据科学家必备套路之二：推荐套路_.html
122丨数据科学家必备套路之一：搜索套路_.pdf
122丨数据科学家必备套路之一：搜索套路_.html
058丨数据科学家团队组织架构：水平还是垂直，这是个问题_.pdf
058丨数据科学家团队组织架构：水平还是垂直，这是个问题_.html
057丨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？_.pdf
057丨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
056丨成为“香饽饽”的数据科学家，如何衡量他们的工作呢？_.pdf
056丨成为“香饽饽”的数据科学家，如何衡量他们的工作呢？_.html
055丨数据科学团队养成：Onsite面试面面观_.pdf
055丨数据科学团队养成：Onsite面试面面观_.html
054丨数据科学团队养成：电话面试指南_.pdf
054丨数据科学团队养成：电话面试指南_.html
047丨职场话题：聊聊数据科学家的职场规划_.pdf
047丨职场话题：聊聊数据科学家的职场规划_.html
046丨职场话题：数据科学家应聘要具备哪些能力？_.pdf
046丨职场话题：数据科学家应聘要具备哪些能力？_.html
045丨职场话题：当数据科学家遇见产品团队_.pdf
045丨职场话题：当数据科学家遇见产品团队_.html
011丨数据科学家高阶能力之如何系统提升产品性能_.pdf
011丨数据科学家高阶能力之如何系统提升产品性能_.html
010丨数据科学家高阶能力之评估产品_.pdf
010丨数据科学家高阶能力之评估产品_.html
009丨数据科学家高阶能力之分析产品_.pdf
009丨数据科学家高阶能力之分析产品_.html
008丨曾经辉煌的雅虎研究院_.pdf
008丨曾经辉煌的雅虎研究院_.html
005丨数据科学家基础能力之系统_.pdf
005丨数据科学家基础能力之系统_.html
004丨数据科学家基础能力之机器学习_.pdf
004丨数据科学家基础能力之机器学习_.html
003丨数据科学家基础能力之概率统计_.pdf
003丨数据科学家基础能力之概率统计_.html
001丨如何组建一个数据科学团队？_.pdf
001丨如何组建一个数据科学团队？_.html
目录：【37-AI技术内参/06-计算机视觉核心技术(13讲)】
复盘5丨计算机视觉核心技术模块_.pdf
复盘5丨计算机视觉核心技术模块_.html
151丨计算机视觉高级话题（三）：产生式模型_.pdf
151丨计算机视觉高级话题（三）：产生式模型_.html
150丨计算机视觉高级话题（二）：视觉问答_.pdf
150丨计算机视觉高级话题（二）：视觉问答_.html
149丨计算机视觉高级话题（一）：图像物体识别和分割_.pdf
149丨计算机视觉高级话题（一）：图像物体识别和分割_.html
148丨计算机视觉领域的深度学习模型（三）：ResNet_.pdf
148丨计算机视觉领域的深度学习模型（三）：ResNet_.html
147丨计算机视觉领域的深度学习模型（二）：VGG&GoogleNet_.pdf
147丨计算机视觉领域的深度学习模型（二）：VGG&GoogleNet_.html
146丨计算机视觉领域的深度学习模型（一）：AlexNet_.pdf
146丨计算机视觉领域的深度学习模型（一）：AlexNet_.html
145丨基于深度学习的计算机视觉技术（三）：深度学习模型的优化_.pdf
145丨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
144丨基于深度学习的计算机视觉技术（二）：基本的深度学习模型_.pdf
144丨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
143丨基于深度学习的计算机视觉技术（一）：深度神经网络入门_.pdf
143丨基于深度学习的计算机视觉技术（一）：深度神经网络入门_.html
142丨计算机视觉中的特征提取难在哪里？_.pdf
142丨计算机视觉中的特征提取难在哪里？_.html
141丨掌握计算机视觉任务的基础模型和操作_.pdf
141丨掌握计算机视觉任务的基础模型和操作_.html
140丨什么是计算机视觉？_.pdf
140丨什么是计算机视觉？_.html
目录：【37-AI技术内参/05-广告系统核心技术(19讲)】
复盘4丨广告系统核心技术模块_.pdf
复盘4丨广告系统核心技术模块_.html
121丨如何利用机器学习技术来检测广告欺诈？_.pdf
121丨如何利用机器学习技术来检测广告欺诈？_.html
120丨广告投放如何选择受众？如何扩展受众群？_.pdf
120丨广告投放如何选择受众？如何扩展受众群？_.html
119丨归因模型：如何来衡量广告的有效性_.pdf
119丨归因模型：如何来衡量广告的有效性_.html
118丨聊一聊“程序化直接购买”和“广告期货”_.pdf
118丨聊一聊“程序化直接购买”和“广告期货”_.html
117丨如何设置广告竞价的底价？_.pdf
117丨如何设置广告竞价的底价？_.html
116丨如何控制广告预算？_.pdf
116丨如何控制广告预算？_.html
115丨如何优化广告的竞价策略？_.pdf
115丨如何优化广告的竞价策略？_.html
114丨广告的竞价策略是怎样的？_.pdf
114丨广告的竞价策略是怎样的？_.html
113丨什么是“基于第二价位的广告竞拍”？_.pdf
113丨什么是“基于第二价位的广告竞拍”？_.html
112丨阿里巴巴的广告点击率预估模型_.pdf
112丨阿里巴巴的广告点击率预估模型_.html
111丨Twitter的广告点击率预估模型_.pdf
111丨Twitter的广告点击率预估模型_.html
110丨LinkedIn的广告点击率预估模型_.pdf
110丨LinkedIn的广告点击率预估模型_.html
109丨雅虎的广告点击率预估模型_.pdf
109丨雅虎的广告点击率预估模型_.html
108丨Facebook的广告点击率预估模型_.pdf
108丨Facebook的广告点击率预估模型_.html
107丨广告回馈预估综述_.pdf
107丨广告回馈预估综述_.html
106丨广告系统架构_.pdf
106丨广告系统架构_.html
105丨广告系统概述_.pdf
105丨广告系统概述_.html
006丨Google的点击率系统模型_.pdf
006丨Google的点击率系统模型_.html
目录：【37-AI技术内参/04-自然语言处理及文本处理核心技术(19讲)】
复盘3丨自然语言处理及文本处理核心技术模块_.pdf
复盘3丨自然语言处理及文本处理核心技术模块_.html
100丨文本情感分析中如何做意见总结和搜索？_.pdf
100丨文本情感分析中如何做意见总结和搜索？_.html
099丨如何来提取情感“实体”和“方面”呢？_.pdf
099丨如何来提取情感“实体”和“方面”呢？_.html
098丨什么是文档情感分类？_.pdf
098丨什么是文档情感分类？_.html
097丨聊天机器人有哪些核心技术要点？_.pdf
097丨聊天机器人有哪些核心技术要点？_.html
096丨任务型对话系统有哪些技术要点？_.pdf
096丨任务型对话系统有哪些技术要点？_.html
095丨对话系统之经典的对话模型_.pdf
095丨对话系统之经典的对话模型_.html
094丨RNN在自然语言处理中有哪些应用场景？_.pdf
094丨RNN在自然语言处理中有哪些应用场景？_.html
093丨基于门机制的RNN架构：LSTM与GRU_.pdf
093丨基于门机制的RNN架构：LSTM与GRU_.html
092丨序列建模的深度学习利器：RNN基础架构_.pdf
092丨序列建模的深度学习利器：RNN基础架构_.html
091丨Word2Vec算法有哪些应用？_.pdf
091丨Word2Vec算法有哪些应用？_.html
090丨Word2Vec算法有哪些扩展模型？_.pdf
090丨Word2Vec算法有哪些扩展模型？_.html
089丨为什么需要Word2Vec算法？_.pdf
089丨为什么需要Word2Vec算法？_.html
088丨基础文本分析模型之三：EM算法_.pdf
088丨基础文本分析模型之三：EM算法_.html
087丨基础文本分析模型之二：概率隐语义分析_.pdf
087丨基础文本分析模型之二：概率隐语义分析_.html
086丨基础文本分析模型之一：隐语义分析_.pdf
086丨基础文本分析模型之一：隐语义分析_.html
085丨针对大规模数据，如何优化LDA算法？_.pdf
085丨针对大规模数据，如何优化LDA算法？_.html
084丨LDA变种模型知多少_.pdf
084丨LDA变种模型知多少_.html
007丨LDA模型的前世今生_.pdf
007丨LDA模型的前世今生_.html
目录：【37-AI技术内参/03-推荐系统核心技术(22讲)】
复盘2丨推荐系统核心技术模块_.pdf
复盘2丨推荐系统核心技术模块_.html
083丨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_.pdf
083丨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
082丨基于深度学习的推荐模型之二：基于RNN的推荐系统_.pdf
082丨基于深度学习的推荐模型之二：基于RNN的推荐系统_.html
081丨基于深度学习的推荐模型之一：受限波兹曼机_.pdf
081丨基于深度学习的推荐模型之一：受限波兹曼机_.html
080丨现代推荐架构剖析之三：复杂现代推荐架构漫谈_.pdf
080丨现代推荐架构剖析之三：复杂现代推荐架构漫谈_.html
079丨现代推荐架构剖析之二：基于多层搜索架构的推荐系统_.pdf
079丨现代推荐架构剖析之二：基于多层搜索架构的推荐系统_.html
078丨现代推荐架构剖析之一：基于线下离线计算的推荐架构_.pdf
078丨现代推荐架构剖析之一：基于线下离线计算的推荐架构_.html
077丨推荐系统评测之三：无偏差估计_.pdf
077丨推荐系统评测之三：无偏差估计_.html
076丨推荐系统评测之二：线上评测_.pdf
076丨推荐系统评测之二：线上评测_.html
075丨推荐系统评测之一：传统线下评测_.pdf
075丨推荐系统评测之一：传统线下评测_.html
074丨推荐的Exploit和Explore算法之三：汤普森采样算法_.pdf
074丨推荐的Exploit和Explore算法之三：汤普森采样算法_.html
073丨推荐的Exploit和Explore算法之二：UCB算法_.pdf
073丨推荐的Exploit和Explore算法之二：UCB算法_.html
072丨推荐的Exploit和Explore算法之一：EE算法综述_.pdf
072丨推荐的Exploit和Explore算法之一：EE算法综述_.html
071丨高级推荐模型之三：优化复杂目标函数_.pdf
071丨高级推荐模型之三：优化复杂目标函数_.html
070丨高级推荐模型之二：协同矩阵分解_.pdf
070丨高级推荐模型之二：协同矩阵分解_.html
069丨高级推荐模型之一：张量分解模型_.pdf
069丨高级推荐模型之一：张量分解模型_.html
068丨基于隐变量的模型之三：分解机_.pdf
068丨基于隐变量的模型之三：分解机_.html
067丨基于隐变量的模型之二：基于回归的矩阵分解_.pdf
067丨基于隐变量的模型之二：基于回归的矩阵分解_.html
066丨基于隐变量的模型之一：矩阵分解_.pdf
066丨基于隐变量的模型之一：矩阵分解_.html
065丨简单推荐模型之三：基于内容信息的推荐模型_.pdf
065丨简单推荐模型之三：基于内容信息的推荐模型_.html
064丨简单推荐模型之二：基于相似信息的推荐模型_.pdf
064丨简单推荐模型之二：基于相似信息的推荐模型_.html
063丨简单推荐模型之一：基于流行度的推荐模型_.pdf
063丨简单推荐模型之一：基于流行度的推荐模型_.html
目录：【37-AI技术内参/02-搜索核心技术(28讲)】
复盘1丨搜索核心技术模块_.pdf
复盘1丨搜索核心技术模块_.html
044丨基于深度学习的搜索算法：局部和分布表征下的搜索模型_.pdf
044丨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
043丨基于深度学习的搜索算法：卷积结构下的隐含语义模型_.pdf
043丨基于深度学习的搜索算法：卷积结构下的隐含语义模型_.html
042丨基于深度学习的搜索算法：深度结构化语义模型_.pdf
042丨基于深度学习的搜索算法：深度结构化语义模型_.html
041丨机器学习排序算法经典模型：LambdaMART_.pdf
041丨机器学习排序算法经典模型：LambdaMART_.html
040丨机器学习排序算法经典模型：GBDT_.pdf
040丨机器学习排序算法经典模型：GBDT_.html
039丨机器学习排序算法经典模型：RankSVM_.pdf
039丨机器学习排序算法经典模型：RankSVM_.html
038丨社区检测算法之“模块最大化”_.pdf
038丨社区检测算法之“模块最大化”_.html
037丨经典图算法之HITS_.pdf
037丨经典图算法之HITS_.html
036丨PageRank算法的核心思想是什么？_.pdf
036丨PageRank算法的核心思想是什么？_.html
035丨搜索索引及其相关技术概述_.pdf
035丨搜索索引及其相关技术概述_.html
034丨多轮打分系统概述_.pdf
034丨多轮打分系统概述_.html
033丨大型搜索框架宏观视角：发展、特点及趋势_.pdf
033丨大型搜索框架宏观视角：发展、特点及趋势_.html
032丨文档理解的重要特例：多模文档建模_.pdf
032丨文档理解的重要特例：多模文档建模_.html
031丨文档理解的关键步骤：文档聚类_.pdf
031丨文档理解的关键步骤：文档聚类_.html
030丨文档理解第一步：文档分类_.pdf
030丨文档理解第一步：文档分类_.html
029丨如何评测搜索系统的在线表现？_.pdf
029丨如何评测搜索系统的在线表现？_.html
028丨搜索系统评测，有哪些高级指标？_.pdf
028丨搜索系统评测，有哪些高级指标？_.html
027丨搜索系统评测，有哪些基础指标？_.pdf
027丨搜索系统评测，有哪些基础指标？_.html
026丨“查询关键字理解”三部曲之扩展_.pdf
026丨“查询关键字理解”三部曲之扩展_.html
025丨“查询关键字理解”三部曲之解析_.pdf
025丨“查询关键字理解”三部曲之解析_.html
024丨“查询关键字理解”三部曲之分类_.pdf
024丨“查询关键字理解”三部曲之分类_.html
023丨机器学习排序算法：列表法排序学习_.pdf
023丨机器学习排序算法：列表法排序学习_.html
022丨机器学习排序算法：配对法排序学习_.pdf
022丨机器学习排序算法：配对法排序学习_.html
021丨机器学习排序算法：单点法排序学习_.pdf
021丨机器学习排序算法：单点法排序学习_.html
020丨经典搜索核心算法：语言模型及其变种_.pdf
020丨经典搜索核心算法：语言模型及其变种_.html
019丨经典搜索核心算法：BM25及其变种（内附全年目录）_.pdf
019丨经典搜索核心算法：BM25及其变种（内附全年目录）_.html
018丨经典搜索核心算法：TF-IDF及其变种_.pdf
018丨经典搜索核心算法：TF-IDF及其变种_.html
目录：【37-AI技术内参/01-开篇词(1讲)】
000丨开篇词丨你的360度人工智能信息助理_.pdf
000丨开篇词丨你的360度人工智能信息助理_.html
页:
[1]