Index of /【已完结】AI技术内参/
../
【001】开篇词 你的360度人工智能信息助理.html 18-Aug-2025 00:21 20872
【002】001 聊聊2017年KDD大会的时间检验奖.html 18-Aug-2025 00:21 18567
【003】002 精读2017年KDD最佳研究论文.html 18-Aug-2025 00:21 19134
【004】003 精读2017年KDD最佳应用数据科学论文.html 18-Aug-2025 00:22 14157
【005】004 精读2017年EMNLP最佳长论文之一.html 18-Aug-2025 00:22 14951
【006】005 精读2017年EMNLP最佳长论文之二.html 18-Aug-2025 00:22 15783
【007】006 精读2017年EMNLP最佳短论文.html 18-Aug-2025 00:22 17159
【008】007 精读2017年ICCV最佳研究论文.html 18-Aug-2025 00:22 13723
【009】008 精读2017年ICCV最佳学生论文.html 18-Aug-2025 00:22 10708
【010】009 如何将“深度强化学习”应用到视觉问答系统？.html 18-Aug-2025 00:22 11374
【011】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 18-Aug-2025 00:22 12422
【012】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？..> 18-Aug-2025 00:22 12000
【013】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 18-Aug-2025 00:22 11439
【014】013 WSDM 2018论文精读：看谷歌团队如何做位置偏差估计.html 18-Aug-2025 00:22 12919
【015】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.html 18-Aug-2025 00:22 12608
【016】015 WSDM 2018论文精读：深度学习模型中如何使用上下文信息？.html 18-Aug-2025 00:22 9603
【017】016 The Web 2018论文精读：如何对商品的图片美感进行建模？.html 18-Aug-2025 00:22 11057
【018】017 The Web 2018论文精读：如何改进经典的推荐算法BPR？.html 18-Aug-2025 00:22 9211
【019】018 The Web 2018论文精读：如何从文本中提取高元关系？.html 18-Aug-2025 00:22 10206
【020】019 SIGIR 2018论文精读：偏差和“流行度”之间的关系.html 18-Aug-2025 00:22 11948
【021】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？.html 18-Aug-2025 00:22 10471
【022】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？.html 18-Aug-2025 00:22 9798
【023】022 CVPR 2018论文精读：如何研究计算机视觉任务之间的关系？.html 18-Aug-2025 00:22 11195
【024】023 CVPR 2018论文精读：如何从整体上对人体进行三维建模？.html 18-Aug-2025 00:22 10524
【025】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？.html 18-Aug-2025 00:23 9765
【026】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.html 18-Aug-2025 00:23 10624
【027】026 ICML 2018论文精读：聊一聊机器学习算法的“公平性”问题.html 18-Aug-2025 00:23 9374
【028】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”？...> 18-Aug-2025 00:23 10354
【029】028 ACL 2018论文精读：问答系统场景下，如何提出好问题？.html 18-Aug-2025 00:23 12420
【030】029 ACL 2018论文精读：什么是对话中的前提触发？如何检测？.html 18-Aug-2025 00:23 11485
【031】030 ACL 2018论文精读：什么是“端到端”的语义哈希？.html 18-Aug-2025 00:23 11286
【032】复盘 7 一起来读人工智能国际顶级会议论文.html 18-Aug-2025 00:23 11542
【033】031 经典搜索核心算法：TF-IDF及其变种.html 18-Aug-2025 00:23 22056
【034】032 经典搜索核心算法：BM25及其变种（内附全年目录）.html 18-Aug-2025 00:23 17255
【035】033 经典搜索核心算法：语言模型及其变种.html 18-Aug-2025 00:23 20635
【036】034 机器学习排序算法：单点法排序学习.html 18-Aug-2025 00:23 15865
【037】035 机器学习排序算法：配对法排序学习.html 18-Aug-2025 00:23 13659
【038】036 机器学习排序算法：列表法排序学习.html 18-Aug-2025 00:23 13839
【039】037 “查询关键字理解”三部曲之分类.html 18-Aug-2025 00:23 13912
【040】038 “查询关键字理解”三部曲之解析.html 18-Aug-2025 00:23 15539
【041】039 “查询关键字理解”三部曲之扩展.html 18-Aug-2025 00:23 13968
【042】040 搜索系统评测，有哪些基础指标？.html 18-Aug-2025 00:24 17558
【043】041 搜索系统评测，有哪些高级指标？.html 18-Aug-2025 00:24 12973
【044】042 如何评测搜索系统的在线表现？.html 18-Aug-2025 00:24 11413
【045】043 文档理解第一步：文档分类.html 18-Aug-2025 00:24 14869
【046】044 文档理解的关键步骤：文档聚类.html 18-Aug-2025 00:24 11139
【047】045 文档理解的重要特例：多模文档建模.html 18-Aug-2025 00:24 11406
【048】046 大型搜索框架宏观视角：发展、特点及趋势.html 18-Aug-2025 00:24 11808
【049】047 多轮打分系统概述.html 18-Aug-2025 00:24 15832
【050】048 搜索索引及其相关技术概述.html 18-Aug-2025 00:24 12211
【051】049 PageRank算法的核心思想是什么？.html 18-Aug-2025 00:24 12730
【052】050 经典图算法之HITS.html 18-Aug-2025 00:24 12464
【053】051 社区检测算法之“模块最大化 ”.html 18-Aug-2025 00:24 10507
【054】052 机器学习排序算法经典模型：RankSVM.html 18-Aug-2025 00:24 13263
【055】053 机器学习排序算法经典模型：GBDT.html 18-Aug-2025 00:24 14002
【056】054 机器学习排序算法经典模型：LambdaMART.html 18-Aug-2025 00:24 13086
【057】055 基于深度学习的搜索算法：深度结构化语义模型.html 18-Aug-2025 00:24 12206
【058】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 18-Aug-2025 00:24 9349
【059】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 18-Aug-2025 00:24 9953
【060】复盘 1 搜索核心技术模块.html 18-Aug-2025 00:25 10653
【061】058 简单推荐模型之一：基于流行度的推荐模型.html 18-Aug-2025 00:25 16673
【062】059 简单推荐模型之二：基于相似信息的推荐模型.html 18-Aug-2025 00:25 13697
【063】060 简单推荐模型之三：基于内容信息的推荐模型.html 18-Aug-2025 00:25 12742
【064】061 基于隐变量的模型之一：矩阵分解.html 18-Aug-2025 00:25 14421
【065】062 基于隐变量的模型之二：基于回归的矩阵分解.html 18-Aug-2025 00:25 13712
【066】063 基于隐变量的模型之三：分解机.html 18-Aug-2025 00:25 10140
【067】064 高级推荐模型之一：张量分解模型.html 18-Aug-2025 00:25 11773
【068】065 高级推荐模型之二：协同矩阵分解.html 18-Aug-2025 00:25 10520
【069】066 高级推荐模型之三：优化复杂目标函数.html 18-Aug-2025 00:25 10967
【070】067 推荐的Exploit和Explore算法之一：EE算法综述.html 18-Aug-2025 00:25 12713
【071】068 推荐的Exploit和Explore算法之二：UCB算法.html 18-Aug-2025 00:25 10558
【072】069 推荐的Exploit和Explore算法之三：汤普森采样算法.html 18-Aug-2025 00:25 10587
【073】070 推荐系统评测之一：传统线下评测.html 18-Aug-2025 00:25 10641
【074】071 推荐系统评测之二：线上评测.html 18-Aug-2025 00:25 11340
【075】072 推荐系统评测之三：无偏差估计.html 18-Aug-2025 00:25 9873
【076】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 18-Aug-2025 00:25 14189
【077】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 18-Aug-2025 00:25 11602
【078】075 现代推荐架构剖析之三：复杂现代推荐架构漫谈.html 18-Aug-2025 00:26 11082
【079】076 基于深度学习的推荐模型之一：受限波兹曼机.html 18-Aug-2025 00:26 10885
【080】077 基于深度学习的推荐模型之二：基于RNN的推荐系统.html 18-Aug-2025 00:26 11056
【081】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 18-Aug-2025 00:26 11083
【082】复盘 2 推荐系统核心技术模块.html 18-Aug-2025 00:26 9013
【083】079 广告系统概述.html 18-Aug-2025 00:26 16517
【084】080 广告系统架构.html 18-Aug-2025 00:26 9667
【085】081 广告回馈预估综述.html 18-Aug-2025 00:26 12450
【086】082 Google的点击率系统模型.html 18-Aug-2025 00:26 20059
【087】083 Facebook的广告点击率预估模型.html 18-Aug-2025 00:26 16009
【088】084 雅虎的广告点击率预估模型.html 18-Aug-2025 00:26 9544
【089】085 LinkedIn的广告点击率预估模型.html 18-Aug-2025 00:26 10116
【090】086 Twitter的广告点击率预估模型.html 18-Aug-2025 00:26 10860
【091】087 阿里巴巴的广告点击率预估模型.html 18-Aug-2025 00:26 12066
【092】088 什么是“基于第二价位的广告竞拍”？.html 18-Aug-2025 00:26 13961
【093】089 广告的竞价策略是怎样的？.html 18-Aug-2025 00:26 10665
【094】090 如何优化广告的竞价策略？.html 18-Aug-2025 00:26 9618
【095】091 如何控制广告预算？.html 18-Aug-2025 00:27 10389
【096】092 如何设置广告竞价的底价？.html 18-Aug-2025 00:27 13563
【097】093 聊一聊“程序化直接购买”和“广告期货”.html 18-Aug-2025 00:27 12080
【098】094 归因模型：如何来衡量广告的有效性.html 18-Aug-2025 00:27 10257
【099】095 广告投放如何选择受众？如何扩展受众群？.html 18-Aug-2025 00:27 10357
【100】096 如何利用机器学习技术来检测广告欺诈？.html 18-Aug-2025 00:27 10467
【101】复盘 4 广告系统核心技术模块.html 18-Aug-2025 00:27 5970
【102】097 LDA模型的前世今生.html 18-Aug-2025 00:27 21153
【103】098 LDA变种模型知多少.html 18-Aug-2025 00:27 12952
【104】099 针对大规模数据，如何优化LDA算法？.html 18-Aug-2025 00:27 12562
【105】100 基础文本分析模型之一：隐语义分析.html 18-Aug-2025 00:27 9637
【106】101 基础文本分析模型之二：概率隐语义分析.html 18-Aug-2025 00:27 7542
【107】102 基础文本分析模型之三：EM算法.html 18-Aug-2025 00:27 10942
【108】103 为什么需要Word2Vec算法？.html 18-Aug-2025 00:27 9948
【109】104 Word2Vec算法有哪些扩展模型？.html 18-Aug-2025 00:27 11206
【110】105 Word2Vec算法有哪些应用？.html 18-Aug-2025 00:27 8558
【111】106 序列建模的深度学习利器：RNN基础架构.html 18-Aug-2025 00:27 10912
【112】107 基于门机制的RNN架构：LSTM与GRU.html 18-Aug-2025 00:28 10714
【113】108 RNN在自然语言处理中有哪些应用场景？.html 18-Aug-2025 00:28 9890
【114】109 对话系统之经典的对话模型.html 18-Aug-2025 00:28 13560
【115】110 任务型对话系统有哪些技术要点？.html 18-Aug-2025 00:28 9472
【116】111 聊天机器人有哪些核心技术要点？.html 18-Aug-2025 00:28 10741
【117】112 什么是文档情感分类？.html 18-Aug-2025 00:28 9937
【118】113 如何来提取情感“实体”和“方面”呢？.html 18-Aug-2025 00:28 10650
【119】114 文本情感分析中如何做意见总结和搜索？.html 18-Aug-2025 00:28 9837
【120】复盘 3 自然语言处理及文本处理核心技术模块.html 18-Aug-2025 00:28 7254
【121】115 什么是计算机视觉？.html 18-Aug-2025 00:28 14591
【122】116 掌握计算机视觉任务的基础模型和操作.html 18-Aug-2025 00:28 12477
【123】117 计算机视觉中的特征提取难在哪里？.html 18-Aug-2025 00:28 11012
【124】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 18-Aug-2025 00:28 14424
【125】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 18-Aug-2025 00:28 14406
【126】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 18-Aug-2025 00:28 12176
【127】121 计算机视觉领域的深度学习模型（一）：AlexNet.html 18-Aug-2025 00:29 10641
【128】122 计算机视觉领域的深度学习模型（二）：VGG & GoogleNet.html 18-Aug-2025 00:29 13545
【129】123 计算机视觉领域的深度学习模型（三）：ResNet.html 18-Aug-2025 00:29 11615
【130】124 计算机视觉高级话题（一）：图像物体识别和分割.html 18-Aug-2025 00:29 10176
【131】125 计算机视觉高级话题（二）：视觉问答.html 18-Aug-2025 00:29 10107
【132】126 计算机视觉高级话题（三）：产生式模型.html 18-Aug-2025 00:29 9910
【133】复盘 5 计算机视觉核心技术模块.html 18-Aug-2025 00:29 5753
【134】127 数据科学家基础能力之概率统计.html 18-Aug-2025 00:29 26009
【135】128 数据科学家基础能力之机器学习.html 18-Aug-2025 00:29 26884
【136】129 数据科学家基础能力之系统.html 18-Aug-2025 00:29 19414
【137】130 数据科学家高阶能力之分析产品.html 18-Aug-2025 00:29 20076
【138】131 数据科学家高阶能力之评估产品.html 18-Aug-2025 00:29 16109
【139】132 数据科学家高阶能力之如何系统提升产品性能.html 18-Aug-2025 00:29 14977
【140】133 职场话题：当数据科学家遇见产品团队.html 18-Aug-2025 00:29 12055
【141】134 职场话题：数据科学家应聘要具备哪些能力？.html 18-Aug-2025 00:29 14249
【142】135 职场话题：聊聊数据科学家的职场规划.html 18-Aug-2025 00:29 11439
【143】136 如何组建一个数据科学团队？.html 18-Aug-2025 00:29 23125
【144】137 数据科学团队养成：电话面试指南.html 18-Aug-2025 00:29 13857
【145】138 数据科学团队养成：Onsite面试面面观.html 18-Aug-2025 00:29 10110
【146】139 成为“香饽饽”的数据科学家，如何衡量他们的工作呢？.html 18-Aug-2025 00:30 12901
【147】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 18-Aug-2025 00:30 13012
【148】141 数据科学家团队组织架构：水平还是垂直，这是个问题.html 18-Aug-2025 00:30 13325
【149】142 数据科学家必备套路之一：搜索套路.html 18-Aug-2025 00:30 14851
【150】143 数据科学家必备套路之二：推荐套路.html 18-Aug-2025 00:30 11352
【151】144 数据科学家必备套路之三：广告套路.html 18-Aug-2025 00:30 10664
【152】145 如何做好人工智能项目的管理？.html 18-Aug-2025 00:30 10474
【153】146 数据科学团队必备的工程流程三部曲.html 18-Aug-2025 00:30 12736
【154】147 数据科学团队怎么选择产品和项目？.html 18-Aug-2025 00:30 11403
【155】148 曾经辉煌的雅虎研究院.html 18-Aug-2025 00:30 24223
【156】149 微软研究院：工业界研究机构的楷模.html 18-Aug-2025 00:30 12139
【157】150 聊一聊谷歌特立独行的混合型研究.html 18-Aug-2025 00:30 14547
【158】复盘 6 数据科学家与数据科学团队是怎么养成的？.html 18-Aug-2025 00:30 8676
【159】151 精读AlphaGo Zero论文.html 18-Aug-2025 00:30 14088
【160】152 2017人工智能技术发展盘点.html 18-Aug-2025 00:30 14612
【161】153 如何快速学习国际顶级学术会议的内容？.html 18-Aug-2025 00:30 14279
【162】154 在人工智能领域，如何快速找到学习的切入点？.html 18-Aug-2025 00:30 13586
【163】155 人工智能技术选择，该从哪里获得灵感？.html 18-Aug-2025 00:30 9714
【164】156 近在咫尺，走进人工智能研究.html 18-Aug-2025 00:31 10732
【165】内参特刊 和你聊聊每个人都关心的人工智能热点话题.html 18-Aug-2025 00:31 18742
【166】结束语 雄关漫道真如铁，而今迈步从头越.html 18-Aug-2025 00:31 19306