极客时间：AI技术内参（完结）

mp3 [552.74M]

171010-001_如何组建一个数据科学团队？.mp3 [5.17M]

171010-002_聊聊2017年kdd大会的时间检验奖.mp3 [5.04M]

171010-003_数据科学家基础能力之概率统计.mp3 [4.73M]

171010-开篇词_你的360度人工智能信息助理.mp3 [2.26M]

171011-004_数据科学家基础能力之机器学习.mp3 [5.34M]

171013-005_数据科学家基础能力之系统.mp3 [4.39M]

171016-006_google的点击率系统模型.mp3 [4.63M]

171018-007_lda模型的前世今生.mp3 [5.13M]

171020-008_曾经辉煌的雅虎研究院.mp3 [4.89M]

171023-009_数据科学家高阶能力之分析产品.mp3 [4.80M]

171025-010_数据科学家高阶能力之评估产品.mp3 [5.16M]

171027-011_数据科学家高阶能力之如何系统提升产品性能.mp3 [4.39M]

171030-012_精读2017年kdd最佳研究论文.mp3 [4.85M]

171101-013_精读2017年kdd最佳应用数据科学论文.mp3 [4.38M]

171103-014_精读alphagozero论文.mp3 [4.56M]

171106-015_精读2017年emnlp最佳长论文之一.mp3 [3.91M]

171108-016_精读2017年emnlp最佳长论文之二.mp3 [4.09M]

171110-017_精读2017年emnlp最佳短论文.mp3 [4.36M]

171113-018_经典搜索核心算法：tf-idf及其变种.mp3 [5.18M]

171115-019_经典搜索核心算法：bm25及其变种（内附全年目录）.mp3 [4.46M]

171117-020_经典搜索核心算法：语言模型及其变种.mp3 [4.64M]

171120-021_机器学习排序算法：单点法排序学习.mp3 [4.38M]

171122-022_机器学习排序算法：配对法排序学习.mp3 [3.95M]

171124-023_机器学习排序算法：列表法排序学习.mp3 [3.71M]

171127-024_“查询关键字理解”三部曲之分类.mp3 [4.18M]

171129-025_“查询关键字理解”三部曲之解析.mp3 [3.63M]

171201-026_“查询关键字理解”三部曲之扩展.mp3 [3.43M]

171204-027_搜索系统评测，有哪些基础指标？.mp3 [4.01M]

171206-028_搜索系统评测，有哪些高级指标？.mp3 [3.33M]

171208-029_如何评测搜索系统的在线表现？.mp3 [3.62M]

171211-030_文档理解第一步：文档分类.mp3 [3.90M]

171213-031_文档理解的关键步骤：文档聚类.mp3 [3.40M]

171215-032_文档理解的重要特例：多模文档建模.mp3 [3.53M]

171218-033_大型搜索框架宏观视角：发展、特点及趋势.mp3 [3.89M]

171220-034_多轮打分系统概述.mp3 [3.42M]

171222-035_搜索索引及其相关技术概述.mp3 [3.62M]

171225-036_pagerank算法的核心思想是什么？.mp3 [3.67M]

171227-037_经典图算法之hits.mp3 [3.43M]

171229-038_社区检测算法之“模块最大化”.mp3 [3.06M]

180101-039_机器学习排序算法经典模型：ranksvm.mp3 [3.62M]

180103-040_机器学习排序算法经典模型：gbdt.mp3 [3.17M]

180105-041_机器学习排序算法经典模型：lambdamart.mp3 [3.40M]

180108-042_基于深度学习的搜索算法：深度结构化语义模型.mp3 [3.72M]

180110-043_基于深度学习的搜索算法：卷积结构下的隐含语义模型.mp3 [3.07M]

180112-044_基于深度学习的搜索算法：局部和分布表征下的搜索模型.mp3 [3.43M]

180115-045_职场话题：当数据科学家遇见产品团队.mp3 [3.85M]

180117-046_职场话题：数据科学家应聘要具备哪些能力？.mp3 [4.22M]

180119-047_职场话题：聊聊数据科学家的职场规划.mp3 [3.79M]

180122-048_精读2017年iccv最佳研究论文.mp3 [4.23M]

180124-049_精读2017年iccv最佳学生论文.mp3 [3.37M]

180126-050_如何将“深度强化学习”应用到视觉问答系统？.mp3 [3.72M]

180129-051_精读2017年nips最佳研究论文之一：如何解决非凸优化问题？.mp3 [3.41M]

180131-052_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？.mp3 [3.41M]

180202-053_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？.mp3 [3.17M]

180205-054_数据科学团队养成：电话面试指南.mp3 [3.95M]

180207-055_数据科学团队养成：onsite面试面面观.mp3 [3.59M]

180209-056_成为“香饽饽”的数据科学家，如何衡量他们的工作呢？.mp3 [3.85M]

180212-057_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？.mp3 [3.52M]

180214-058_数据科学家团队组织架构：水平还是垂直，这是个问题.mp3 [3.65M]

180216-059_2017人工智能技术发展盘点.mp3 [4.09M]

180219-060_wsdm2018论文精读：看谷歌团队如何做位置偏差估计.mp3 [4.03M]

180221-061_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.mp3 [3.65M]

180223-062_wsdm2018论文精读：深度学习模型中如何使用上下文信息？.mp3 [2.32M]

180226-063_简单推荐模型之一：基于流行度的推荐模型.mp3 [4.04M]

180228-064_简单推荐模型之二：基于相似信息的推荐模型.mp3 [3.70M]

180302-065_简单推荐模型之三：基于内容信息的推荐模型.mp3 [3.46M]

180305-066_基于隐变量的模型之一：矩阵分解.mp3 [3.25M]

180307-067_基于隐变量的模型之二：基于回归的矩阵分解.mp3 [3.33M]

180309-068_基于隐变量的模型之三：分解机.mp3 [2.33M]

180312-069_高级推荐模型之一：张量分解模型.mp3 [3.31M]

180314-070_高级推荐模型之二：协同矩阵分解.mp3 [3.06M]

180316-071_高级推荐模型之三：优化复杂目标函数.mp3 [2.82M]

180319-072_推荐的exploit和explore算法之一：ee算法综述.mp3 [3.63M]

180321-073_推荐的exploit和explore算法之二：ucb算法.mp3 [2.99M]

180323-074_推荐的exploit和explore算法之三：汤普森采样算法.mp3 [2.96M]

180326-075_推荐系统评测之一：传统线下评测.mp3 [3.00M]

180328-076_推荐系统评测之二：线上评测.mp3 [2.97M]

180330-077_推荐系统评测之三：无偏差估计.mp3 [8.63M]

180402-078_现代推荐架构剖析之一：基于线下离线计算的推荐架构.mp3 [3.25M]

180404-079_现代推荐架构剖析之二：基于多层搜索架构的推荐系统.mp3 [2.88M]

180406-080_现代推荐架构剖析之三：复杂现代推荐架构漫谈.mp3 [2.60M]

180409-081_基于深度学习的推荐模型之一：受限波兹曼机.mp3 [3.37M]

180411-082_基于深度学习的推荐模型之二：基于rnn的推荐系统.mp3 [3.09M]

180413-083_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.mp3 [3.03M]

180416-084_lda变种模型知多少.mp3 [3.57M]

180418-085_针对大规模数据，如何优化lda算法？.mp3 [3.36M]

180420-086_基础文本分析模型之一：隐语义分析.mp3 [2.66M]

180423-087_基础文本分析模型之二：概率隐语义分析.mp3 [2.10M]

180425-088_基础文本分析模型之三：em算法.mp3 [3.01M]

180427-089_为什么需要word2vec算法？.mp3 [2.77M]

180430-090_word2vec算法有哪些扩展模型？.mp3 [2.90M]

180502-091_word2vec算法有哪些应用？.mp3 [2.47M]

180504-092_序列建模的深度学习利器：rnn基础架构.mp3 [3.19M]

180507-093_基于门机制的rnn架构：lstm与gru.mp3 [3.33M]

180509-094_rnn在自然语言处理中有哪些应用场景？.mp3 [3.02M]

180511-095_对话系统之经典的对话模型.mp3 [3.26M]

180514-096_任务型对话系统有哪些技术要点？.mp3 [2.83M]

180516-097_聊天机器人有哪些核心技术要点？.mp3 [2.56M]

180518-098_什么是文档情感分类？.mp3 [2.89M]

180521-099_如何来提取情感“实体”和“方面”呢？.mp3 [2.59M]

180523-100_文本情感分析中如何做意见总结和搜索？.mp3 [2.97M]

180525-101_theweb2018论文精读：如何对商品的图片美感进行建模？.mp3 [3.67M]

180528-102_theweb2018论文精读：如何改进经典的推荐算法bpr？.mp3 [2.65M]

180530-103_theweb2018论文精读：如何从文本中提取高元关系？.mp3 [2.79M]

180601-104_如何快速学习国际顶级学术会议的内容？.mp3 [3.74M]

180604-105_广告系统概述.mp3 [3.68M]

180606-106_广告系统架构.mp3 [2.74M]

180608-107_广告回馈预估综述.mp3 [2.94M]

180611-108_facebook的广告点击率预估模型.mp3 [3.00M]

180613-109_雅虎的广告点击率预估模型.mp3 [2.64M]

180615-110_linkedin的广告点击率预估模型.mp3 [4.85M]

180618-111_twitter的广告点击率预估模型.mp3 [3.12M]

180620-112_阿里巴巴的广告点击率预估模型.mp3 [3.26M]

180622-113_什么是“基于第二价位的广告竞拍”？.mp3 [3.06M]

180625-114_广告的竞价策略是怎样的？.mp3 [3.20M]

180627-115_如何优化广告的竞价策略？.mp3 [2.82M]

180629-116_如何控制广告预算？.mp3 [2.38M]

180702-117_如何设置广告竞价的底价？.mp3 [2.99M]

180704-118_聊一聊“程序化直接购买”和“广告期货”.mp3 [2.77M]

180706-119_归因模型：如何来衡量广告的有效性.mp3 [2.94M]

180709-120_广告投放如何选择受众？如何扩展受众群？.mp3 [2.93M]

180711-121_如何利用机器学习技术来检测广告欺诈？.mp3 [2.91M]

180713-122_数据科学家必备套路之一：搜索套路.mp3 [4.23M]

180716-123_数据科学家必备套路之二：推荐套路.mp3 [3.47M]

180718-124_数据科学家必备套路之三：广告套路.mp3 [3.15M]

180720-125_sigir2018论文精读：偏差和“流行度”之间的关系.mp3 [3.92M]

180723-126_sigir2018论文精读：如何利用对抗学习来增强排序模型的普适性？.mp3 [3.20M]

180725-127_sigir2018论文精读：如何对搜索页面上的点击行为进行序列建模？.mp3 [3.31M]

180727-128_cvpr2018论文精读：如何研究计算机视觉任务之间的关系？.mp3 [3.59M]

180730-129_cvpr2018论文精读：如何从整体上对人体进行三维建模？.mp3 [2.96M]

180801-130_cvpr2018论文精读：如何解决排序学习计算复杂度高这个问题？.mp3 [3.24M]

180803-131_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.mp3 [3.48M]

180806-132_icml2018论文精读：聊一聊机器学习算法的“公平性”问题.mp3 [3.02M]

180808-133_icml2018论文精读：优化目标函数的时候，有可能放大了“不公平”？.mp3 [2.91M]

180810-134_acl2018论文精读：问答系统场景下，如何提出好问题？.mp3 [4.48M]

180813-135_acl2018论文精读：什么是对话中的前提触发？如何检测？.mp3 [3.46M]

180815-136_acl2018论文精读：什么是“端到端”的语义哈希？.mp3 [3.41M]

180817-137_如何做好人工智能项目的管理？.mp3 [4.12M]

180820-138_数据科学团队必备的工程流程三部曲.mp3 [3.71M]

180822-139_数据科学团队怎么选择产品和项目？.mp3 [3.39M]

180824-140_什么是计算机视觉？.mp3 [3.29M]

180827-141_掌握计算机视觉任务的基础模型和操作.mp3 [2.84M]

180829-142_计算机视觉中的特征提取难在哪里？.mp3 [2.82M]

180831-143_基于深度学习的计算机视觉技术（一）：深度神经网络入门.mp3 [3.26M]

180903-144_基于深度学习的计算机视觉技术（二）：基本的深度学习模型.mp3 [3.52M]

180905-145_基于深度学习的计算机视觉技术（三）：深度学习模型的优化.mp3 [3.40M]

180907-146_计算机视觉领域的深度学习模型（一）：alexnet.mp3 [3.10M]

180910-147_计算机视觉领域的深度学习模型（二）：vgg&googlenet.mp3 [3.26M]

180912-148_计算机视觉领域的深度学习模型（三）：resnet.mp3 [2.57M]

180914-149_计算机视觉高级话题（一）：图像物体识别和分割.mp3 [2.68M]

180917-150_计算机视觉高级话题（二）：视觉问答.mp3 [2.22M]

180919-151_计算机视觉高级话题（三）：产生式模型.mp3 [2.79M]

180921-152_在人工智能领域，如何快速找到学习的切入点？.mp3 [3.48M]

180924-153_人工智能技术选择，该从哪里获得灵感？.mp3 [3.08M]

180926-154_近在咫尺，走进人工智能研究.mp3 [3.52M]

180928-155_微软研究院：工业界研究机构的楷模.mp3 [3.79M]

181001-156_聊一聊谷歌特立独行的混合型研究.mp3 [2.95M]

181012-结束语_雄关漫道真如铁，而今迈步从头越.mp3 [2.16M]

171010-001 _ 如何组建一个数据科学团队？.html [76.20K]

171010-002 _ 聊聊2017年kdd大会的时间检验奖.html [73.31K]

171010-003 _ 数据科学家基础能力之概率统计.html [76.58K]

171010-开篇词 _ 你的360度人工智能信息助理.html [69.96K]

171011-004 _ 数据科学家基础能力之机器学习.html [80.28K]

171013-005 _ 数据科学家基础能力之系统.html [75.82K]

171016-006 _ google的点击率系统模型.html [72.86K]

171018-007 _ lda模型的前世今生.html [75.21K]

171020-008 _ 曾经辉煌的雅虎研究院.html [80.07K]

171023-009 _ 数据科学家高阶能力之分析产品.html [74.63K]

171025-010 _ 数据科学家高阶能力之评估产品.html [73.40K]

171027-011 _ 数据科学家高阶能力之如何系统提升产品性能.html [71.79K]

171030-012 _ 精读2017年kdd最佳研究论文.html [72.57K]

171101-013 _ 精读2017年kdd最佳应用数据科学论文.html [70.97K]

171103-014 _ 精读alphago zero论文.html [70.25K]

171106-015 _ 精读2017年emnlp最佳长论文之一.html [70.45K]

171108-016 _ 精读2017年emnlp最佳长论文之二.html [72.91K]

171110-017 _ 精读2017年emnlp最佳短论文.html [67.98K]

171113-018 _ 经典搜索核心算法：tf-idf及其变种.html [74.82K]

171115-019 _ 经典搜索核心算法：bm25及其变种（内附全年目录）.html [70.95K]

171117-020 _ 经典搜索核心算法：语言模型及其变种.html [72.78K]

171120-021 _ 机器学习排序算法：单点法排序学习.html [70.53K]

171122-022 _ 机器学习排序算法：配对法排序学习.html [69.98K]

171124-023 _ 机器学习排序算法：列表法排序学习.html [71.44K]

171127-024 _ “查询关键字理解”三部曲之分类.html [71.40K]

171129-025 _ “查询关键字理解”三部曲之解析.html [71.19K]

171201-026 _ “查询关键字理解”三部曲之扩展.html [70.55K]

171204-027 _ 搜索系统评测，有哪些基础指标？.html [72.00K]

171206-028 _ 搜索系统评测，有哪些高级指标？.html [70.45K]

171208-029 _ 如何评测搜索系统的在线表现？.html [69.21K]

171211-030 _ 文档理解第一步：文档分类.html [71.44K]

171213-031 _ 文档理解的关键步骤：文档聚类.html [68.97K]

171215-032 _ 文档理解的重要特例：多模文档建模.html [66.28K]

171218-033 _ 大型搜索框架宏观视角：发展、特点及趋势.html [69.63K]

171220-034 _ 多轮打分系统概述.html [71.20K]

171222-035 _ 搜索索引及其相关技术概述.html [69.80K]

171225-036 _ pagerank算法的核心思想是什么？.html [67.00K]

171227-037 _ 经典图算法之hits.html [69.15K]

171229-038 _ 社区检测算法之“模块最大化 ”.html [65.53K]

180101-039 _ 机器学习排序算法经典模型：ranksvm.html [68.38K]

180103-040 _ 机器学习排序算法经典模型：gbdt.html [71.10K]

180105-041 _ 机器学习排序算法经典模型：lambdamart.html [70.33K]

180108-042 _ 基于深度学习的搜索算法：深度结构化语义模型.html [69.45K]

180110-043 _ 基于深度学习的搜索算法：卷积结构下的隐含语义模型.html [65.11K]

180112-044 _ 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 [65.69K]

180115-045 _ 职场话题：当数据科学家遇见产品团队.html [66.80K]

180117-046 _ 职场话题：数据科学家应聘要具备哪些能力？.html [71.20K]

180119-047 _ 职场话题：聊聊数据科学家的职场规划.html [66.45K]

180122-048 _ 精读2017年iccv最佳研究论文.html [71.59K]

180124-049 _ 精读2017年iccv最佳学生论文.html [68.59K]

180126-050 _ 如何将“深度强化学习”应用到视觉问答系统？.html [69.31K]

180127-内参特刊 _ 和你聊聊每个人都关心的人工智能热点话题.html [50.68K]

180129-051 _ 精读2017年nips最佳研究论文之一：如何解决非凸优化问题？.html [70.09K]

180131-052 _ 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 [69.73K]

180202-053 _ 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 [68.66K]

180205-054 _ 数据科学团队养成：电话面试指南.html [71.21K]

180207-055 _ 数据科学团队养成：onsite面试面面观.html [65.82K]

180209-056 _ 成为“香饽饽”的数据科学家，如何衡量他们的工作呢？.html [70.69K]

180212-057 _ 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 [69.99K]

180214-058 _ 数据科学家团队组织架构：水平还是垂直，这是个问题.html [69.79K]

180216-059 _ 2017人工智能技术发展盘点.html [71.82K]

180219-060 _ wsdm 2018论文精读：看谷歌团队如何做位置偏差估计.html [70.79K]

180221-061 _ 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 [66.50K]

180223-062 _ wsdm 2018论文精读：深度学习模型中如何使用上下文信息？.html [65.86K]

180225-复盘 1 _ 搜索核心技术模块.html [42.20K]

180226-063 _ 简单推荐模型之一：基于流行度的推荐模型.html [72.60K]

180228-064 _ 简单推荐模型之二：基于相似信息的推荐模型.html [71.35K]

180302-065 _ 简单推荐模型之三：基于内容信息的推荐模型.html [70.33K]

180305-066 _ 基于隐变量的模型之一：矩阵分解.html [70.37K]

180307-067 _ 基于隐变量的模型之二：基于回归的矩阵分解.html [70.69K]

180309-068 _ 基于隐变量的模型之三：分解机.html [66.60K]

180312-069 _ 高级推荐模型之一：张量分解模型.html [69.42K]

180314-070 _ 高级推荐模型之二：协同矩阵分解.html [68.34K]

180316-071 _ 高级推荐模型之三：优化复杂目标函数.html [68.60K]

180319-072 _ 推荐的exploit和explore算法之一：ee算法综述.html [70.37K]

180321-073 _ 推荐的exploit和explore算法之二：ucb算法.html [67.77K]

180323-074 _ 推荐的exploit和explore算法之三：汤普森采样算法.html [68.26K]

180326-075 _ 推荐系统评测之一：传统线下评测.html [74.29K]

180328-076 _ 推荐系统评测之二：线上评测.html [68.76K]

180330-077 _ 推荐系统评测之三：无偏差估计.html [67.16K]

180402-078 _ 现代推荐架构剖析之一：基于线下离线计算的推荐架构.html [71.41K]

180404-079 _ 现代推荐架构剖析之二：基于多层搜索架构的推荐系统.html [68.89K]

180406-080 _ 现代推荐架构剖析之三：复杂现代推荐架构漫谈.html [68.31K]

180409-081 _ 基于深度学习的推荐模型之一：受限波兹曼机.html [68.81K]

180411-082 _ 基于深度学习的推荐模型之二：基于rnn的推荐系统.html [68.92K]

180413-083 _ 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 [68.81K]

180415-复盘 2 _ 推荐系统核心技术模块.html [40.31K]

180416-084 _ lda变种模型知多少.html [70.58K]

180418-085 _ 针对大规模数据，如何优化lda算法？.html [69.72K]

180420-086 _ 基础文本分析模型之一：隐语义分析.html [67.33K]

180423-087 _ 基础文本分析模型之二：概率隐语义分析.html [65.47K]

180425-088 _ 基础文本分析模型之三：em算法.html [68.38K]

180427-089 _ 为什么需要word2vec算法？.html [67.63K]

180430-090 _ word2vec算法有哪些扩展模型？.html [66.04K]

180502-091 _ word2vec算法有哪些应用？.html [63.45K]

180504-092 _ 序列建模的深度学习利器：rnn基础架构.html [68.08K]

180507-093 _ 基于门机制的rnn架构：lstm与gru.html [67.90K]

180509-094 _ rnn在自然语言处理中有哪些应用场景？.html [67.74K]

180511-095 _ 对话系统之经典的对话模型.html [65.77K]

180514-096 _ 任务型对话系统有哪些技术要点？.html [67.43K]

180516-097 _ 聊天机器人有哪些核心技术要点？.html [68.19K]

180518-098 _ 什么是文档情感分类？.html [64.72K]

180521-099 _ 如何来提取情感“实体”和“方面”呢？.html [66.96K]

180523-100 _ 文本情感分析中如何做意见总结和搜索？.html [64.70K]

180525-101 _ the web 2018论文精读：如何对商品的图片美感进行建模？.html [66.78K]

180528-102 _ the web 2018论文精读：如何改进经典的推荐算法bpr？.html [67.14K]

180530-103 _ the web 2018论文精读：如何从文本中提取高元关系？.html [67.90K]

180601-104 _ 如何快速学习国际顶级学术会议的内容？.html [70.72K]

180603-复盘 3 _ 自然语言处理及文本处理核心技术模块.html [39.12K]

180604-105 _ 广告系统概述.html [70.89K]

180606-106 _ 广告系统架构.html [67.43K]

180608-107 _ 广告回馈预估综述.html [67.69K]

180611-108 _ facebook的广告点击率预估模型.html [70.17K]

180613-109 _ 雅虎的广告点击率预估模型.html [65.25K]

180615-110 _ linkedin的广告点击率预估模型.html [67.80K]

180618-111 _ twitter的广告点击率预估模型.html [68.55K]

180620-112 _ 阿里巴巴的广告点击率预估模型.html [69.72K]

180622-113 _ 什么是“基于第二价位的广告竞拍”？.html [68.52K]

180625-114 _ 广告的竞价策略是怎样的？.html [66.37K]

180627-115 _ 如何优化广告的竞价策略？.html [65.33K]

180629-116 _ 如何控制广告预算？.html [67.53K]

180702-117 _ 如何设置广告竞价的底价？.html [69.41K]

180704-118 _ 聊一聊“程序化直接购买”和“广告期货”.html [68.80K]

180706-119 _ 归因模型：如何来衡量广告的有效性.html [65.28K]

180709-120 _ 广告投放如何选择受众？如何扩展受众群？.html [68.20K]

180711-121 _ 如何利用机器学习技术来检测广告欺诈？.html [65.28K]

180713-122 _ 数据科学家必备套路之一：搜索套路.html [67.50K]

180716-123 _ 数据科学家必备套路之二：推荐套路.html [68.40K]

180718-124 _ 数据科学家必备套路之三：广告套路.html [68.50K]

180720-125 _ sigir 2018论文精读：偏差和“流行度”之间的关系.html [69.77K]

180723-126 _ 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 [68.35K]

180725-127 _ 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 [65.55K]

180727-128 _ cvpr 2018论文精读：如何研究计算机视觉任务之间的关系？.html [69.11K]

180730-129 _ cvpr 2018论文精读：如何从整体上对人体进行三维建模？.html [65.52K]

180801-130 _ 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 [65.51K]

180803-131 _ 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 [66.38K]

180806-132 _ icml 2018论文精读：聊一聊机器学习算法的“公平性”问题.html [65.09K]

180808-133 _ icml 2018论文精读：优化目标函数的时候，有可能放大了“不公平”？.html [68.06K]

180810-134 _ acl 2018论文精读：问答系统场景下，如何提出好问题？.html [69.53K]

180813-135 _ acl 2018论文精读：什么是对话中的前提触发？如何检测？.html [65.82K]

180815-136 _ acl 2018论文精读：什么是“端到端”的语义哈希？.html [65.64K]

180817-137 _ 如何做好人工智能项目的管理？.html [68.29K]

180820-138 _ 数据科学团队必备的工程流程三部曲.html [69.67K]

180822-139 _ 数据科学团队怎么选择产品和项目？.html [68.91K]

180824-140 _ 什么是计算机视觉？.html [69.47K]

180827-141 _ 掌握计算机视觉任务的基础模型和操作.html [67.16K]

180829-142 _ 计算机视觉中的特征提取难在哪里？.html [67.14K]

180831-143 _ 基于深度学习的计算机视觉技术（一）：深度神经网络入门.html [68.75K]

180903-144 _ 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 [69.72K]

180905-145 _ 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 [68.96K]

180907-146 _ 计算机视觉领域的深度学习模型（一）：alexnet.html [64.91K]

180910-147 _ 计算机视觉领域的深度学习模型（二）：vgg & googlenet.html [70.13K]

180912-148 _ 计算机视觉领域的深度学习模型（三）：resnet.html [68.37K]

180914-149 _ 计算机视觉高级话题（一）：图像物体识别和分割.html [64.52K]

180917-150 _ 计算机视觉高级话题（二）：视觉问答.html [67.20K]

180919-151 _ 计算机视觉高级话题（三）：产生式模型.html [64.94K]

180921-152 _ 在人工智能领域，如何快速找到学习的切入点？.html [68.57K]

180924-153 _ 人工智能技术选择，该从哪里获得灵感？.html [67.57K]

180926-154 _ 近在咫尺，走进人工智能研究.html [68.57K]

180928-155 _ 微软研究院：工业界研究机构的楷模.html [69.04K]

181001-156 _ 聊一聊谷歌特立独行的混合型研究.html [68.62K]

181003-复盘 4 _ 广告系统核心技术模块.html [35.79K]

181005-复盘 5 _ 计算机视觉核心技术模块.html [34.98K]

181008-复盘 6 _ 数据科学家与数据科学团队是怎么养成的？.html [40.49K]

181010-复盘 7 _ 一起来读人工智能国际顶级会议论文.html [43.22K]

181012-结束语 _ 雄关漫道真如铁，而今迈步从头越.html [71.02K]