AI技术内参
洪亮劼
Etsy数据科学主管,前雅虎研究院资深科学家
立即订阅
8430 人已学习
课程目录
已完结 166 讲
0/6登录后,你可以任选6讲全文学习。
开篇词 (1讲)
开篇词 | 你的360度人工智能信息助理
免费
人工智能国际顶级会议 (15讲)
001 | 聊聊2017年KDD大会的时间检验奖
002 | 精读2017年KDD最佳研究论文
003 | 精读2017年KDD最佳应用数据科学论文
004 | 精读2017年EMNLP最佳长论文之一
005 | 精读2017年EMNLP最佳长论文之二
006 | 精读2017年EMNLP最佳短论文
007 | 精读2017年ICCV最佳研究论文
008 | 精读2017年ICCV最佳学生论文
009 | 如何将“深度强化学习”应用到视觉问答系统?
010 | 精读2017年NIPS最佳研究论文之一:如何解决非凸优化问题?
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?
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?
013 | WSDM 2018论文精读:看谷歌团队如何做位置偏差估计
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
015 | WSDM 2018论文精读:深度学习模型中如何使用上下文信息?
搜索核心技术 (28讲)
031 | 经典搜索核心算法:TF-IDF及其变种
032 | 经典搜索核心算法:BM25及其变种(内附全年目录)
033 | 经典搜索核心算法:语言模型及其变种
034 | 机器学习排序算法:单点法排序学习
035 | 机器学习排序算法:配对法排序学习
036 | 机器学习排序算法:列表法排序学习
037 | “查询关键字理解”三部曲之分类
038 | “查询关键字理解”三部曲之解析
039 | “查询关键字理解”三部曲之扩展
040 | 搜索系统评测,有哪些基础指标?
041 | 搜索系统评测,有哪些高级指标?
042 | 如何评测搜索系统的在线表现?
043 | 文档理解第一步:文档分类
044 | 文档理解的关键步骤:文档聚类
045 | 文档理解的重要特例:多模文档建模
046 | 大型搜索框架宏观视角:发展、特点及趋势
047 | 多轮打分系统概述
048 | 搜索索引及其相关技术概述
049 | PageRank算法的核心思想是什么?
050 | 经典图算法之HITS
051 | 社区检测算法之“模块最大化 ”
052 | 机器学习排序算法经典模型:RankSVM
053 | 机器学习排序算法经典模型:GBDT
054 | 机器学习排序算法经典模型:LambdaMART
055 | 基于深度学习的搜索算法:深度结构化语义模型
056 | 基于深度学习的搜索算法:卷积结构下的隐含语义模型
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
复盘 1 | 搜索核心技术模块
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
059 | 简单推荐模型之二:基于相似信息的推荐模型
060 | 简单推荐模型之三:基于内容信息的推荐模型
061 | 基于隐变量的模型之一:矩阵分解
062 | 基于隐变量的模型之二:基于回归的矩阵分解
063 | 基于隐变量的模型之三:分解机
064 | 高级推荐模型之一:张量分解模型
065 | 高级推荐模型之二:协同矩阵分解
066 | 高级推荐模型之三:优化复杂目标函数
067 | 推荐的Exploit和Explore算法之一:EE算法综述
068 | 推荐的Exploit和Explore算法之二:UCB算法
069 | 推荐的Exploit和Explore算法之三:汤普森采样算法
070 | 推荐系统评测之一:传统线下评测
071 | 推荐系统评测之二:线上评测
072 | 推荐系统评测之三:无偏差估计
073 | 现代推荐架构剖析之一:基于线下离线计算的推荐架构
074 | 现代推荐架构剖析之二:基于多层搜索架构的推荐系统
075 | 现代推荐架构剖析之三:复杂现代推荐架构漫谈
076 | 基于深度学习的推荐模型之一:受限波兹曼机
077 | 基于深度学习的推荐模型之二:基于RNN的推荐系统
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
复盘 2 | 推荐系统核心技术模块
广告系统核心技术 (0讲)
该章节暂未更新内容,敬请期待
自然语言处理及文本处理核心技术 (17讲)
097 | LDA模型的前世今生
098 | LDA变种模型知多少
099 | 针对大规模数据,如何优化LDA算法?
100 | 基础文本分析模型之一:隐语义分析
101 | 基础文本分析模型之二:概率隐语义分析
102 | 基础文本分析模型之三:EM算法
103 | 为什么需要Word2Vec算法?
104 | Word2Vec算法有哪些扩展模型?
105 | Word2Vec算法有哪些应用?
106 | 序列建模的深度学习利器:RNN基础架构
107 | 基于门机制的RNN架构:LSTM与GRU
108 | RNN在自然语言处理中有哪些应用场景?
109 | 对话系统之经典的对话模型
110 | 任务型对话系统有哪些技术要点?
111 | 聊天机器人有哪些核心技术要点?
112 | 什么是文档情感分类?
113 | 如何来提取情感“实体”和“方面”呢?
计算机视觉核心技术 (0讲)
该章节暂未更新内容,敬请期待
数据科学家与数据科学团队养成 (15讲)
127 | 数据科学家基础能力之概率统计
128 | 数据科学家基础能力之机器学习
129 | 数据科学家基础能力之系统
130 | 数据科学家高阶能力之分析产品
131 | 数据科学家高阶能力之评估产品
132 | 数据科学家高阶能力之如何系统提升产品性能
133 | 职场话题:当数据科学家遇见产品团队
134 | 职场话题:数据科学家应聘要具备哪些能力?
135 | 职场话题:聊聊数据科学家的职场规划
136 | 如何组建一个数据科学团队?
137 | 数据科学团队养成:电话面试指南
138 | 数据科学团队养成:Onsite面试面面观
139 | 成为“香饽饽”的数据科学家,如何衡量他们的工作呢?
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?
141 | 数据科学家团队组织架构:水平还是垂直,这是个问题
热点话题讨论 (2讲)
151 | 精读AlphaGo Zero论文
152 | 2017人工智能技术发展盘点
结束语 (0讲)
该章节暂未更新内容,敬请期待
AI技术内参
登录|注册

开篇词 | 你的360度人工智能信息助理

洪亮劼 2017-10-10
00:00
04:56
讲述:初明明 大小:2.26M

你好,我是洪亮劼,目前在电子商务网站 Etsy 任数据科学主管,很高兴能和你在这里相识,也很期待在接下来的时间里,通过“AI 技术内参”这个专栏和你共同探讨与人工智能有关的话题。

在未来的一年里,我会为你讲解人工智能的核心基础,介绍顶级学术会议的最新研究成果,为广大工程师和数据科学家的个人成长出谋划策,也期待能为计划成立和管理数据科学家团队的工程管理领导提供一些意见和建议。我希望“AI 技术内参”能够成为你的 360 度人工智能信息助理,帮助你在这个高速发展的领域稳步前行。

那么,我为什么愿意来写这么一个专栏呢?这让我想起了最近发生的一个片段,我在波士顿参加一个有关数据科学的工业界会议,会场上,一位目前在美国一家时装品牌 J.Crew 工作的数据科学家和我聊天,中间问我,如果想在数据科学、人工智能这个领域进阶,需要看什么样的资料、需要怎样才能不断学习和进步。我当时发现,自己很难为这位数据科学家推荐某一本书、某几篇论文、某一个资料,就能够起到这样的作用。

事实上,回想我自己在人工智能这个领域的成长,一个突出的特点就是,需要学习的东西太多、太杂而且很细。

比方说,对于一个人工智能领域的从业人员来说,基础阶段需要系统地学习有关机器学习、概率统计的很多书,还要会使用相关的专业软件以及人工智能框架,然后如果你希望能够在某一个专业领域(比如搜索、推荐、图像技术、语音技术、智能驾驶等)有所发展,还需要阅读这些相关领域的很多技术论文,并且去实践相关的算法模型。

更进一步,要想在技术公司能够真正成长下去,还有很多的工程技巧以及实际经验需要你慢慢习得。这些情况都导致人工智能领域专业人才的培养和成长有很高的门槛。

我自己,以及很多希望能够在这个领域有所发展的朋友,都很急迫地需要有这么一个集中地、有计划地获取信息,获取高质量信息的平台。这让我萌生了自己来写这么一个专栏的想法。

我希望“AI 技术内参”这个专栏能够成为你在人工智能领域成长的灯塔,当你在茫茫的知识海洋里航行时,帮助你快速找到核心的、主干的信息和资源。我希望这个专栏能够成为你在职业发展上的朋友,让你对快速发展的行业不再焦虑,不再担心自己的知识会落伍,不再为如何在日新月异的信息中寻找有价值的学习资料而发愁。

同时,我也希望这个专栏能够为你拓宽视野,让数据科学家、人工智能工程师了解到团队管理者是如何构建一个团队、如何来招聘从业人士的,让数据科学的领导者意识到如何培养数据科学家成长,让你对整个行业的生态系统有一个更加完整的认识。

我为这个专栏精心打磨了三个模块。

第一,我会为你讲解一些经典的人工智能技术。这些技术涵盖搜索、推荐系统、广告系统、图像处理等领域。了解这些经典技术能够让你迅速入门并能为今后的学习打下基础。这部分内容帮助你分析核心的算法模型,并为你进行系统性学习提供纲要和指引。

第二,我会带给你最新的顶级学术会议动态,帮助你了解和掌握这些学术会议最火热和最新的研究成果。每一年和人工智能相关的顶级学术会议有十余个,每个会议都会有上百篇甚至几百篇论文发表。从这些论文和成果中找到有价值的信息,对于初学者,甚至是有一定经验的从业人员来说都是非常困难、也非常耗时的一件事情。那么,在这个专栏里,我会为你精选内容,可以让你不错过任何有价值的最新成果。

第三,我会在这个专栏里为人工智能的从业人员提供指南,帮助数据科学家和工程师提升自我价值,帮助人工智能团队的管理者构建团队,为你在职场发展中的关键步骤出谋划策。

希望我们在今后的一年时间里,通过“AI 技术内参”这个平台,共同学习、共同成长。“AI 技术内参”只是一个起点,希望你能够从这个专栏出发,在人工智能这个领域前行得更好、更高、更远。

© 版权归极客邦科技所有,未经许可不得传播售卖。 页面已增加防盗追踪,如有侵权极客邦将依法追究其法律责任。
该试读文章来自付费专栏《AI技术内参》,如需阅读全部文章,
请订阅文章所属专栏。
立即订阅
登录 后留言

精选留言(16)

  • RZ_diversity 置顶
    我现在就是处于起步阶段的研究生,特别苦恼如何进入这个快速发展的领域。能在这个时候遇到这个专栏,感觉很幸运。当然这条道路肯定不好走,但是有了洪老师专栏的陪伴,就有了指路明灯,让我更有信心走下去!
    2017-10-19
    11
  • JIA
    看到这个专栏很激动,一定要好好学习,跟着老师畅游AI!
    2017-09-22
    11
  • 李跃爱学习
    我是杭州一家小公司的大数据部门主管,有研发及团队管理经验,对AI并不了解,准备从0学习,并帮助公司业务能从AI技术中受益。
    2018-12-13
    2
  • 卟离卟弃
    正想学习AI,但一直不知如何切入

    作者回复: 希望这个专栏是一个起点。

    2017-11-26
    2
  • 朱海峰
    高中毕业来听听能听懂不

    作者回复: 这个专栏尽量降低门槛,但实际内容还需要一些知识。可以慢慢学。

    2017-11-23
    2
  • 哈哈哈,开心
    2017-10-18
    2
  • 黄德平
    来晚了一年。。。
    还好,赶上了
    2018-11-26
    1
  • GeekAmI
    移动互联网的浪潮已经过去,期待抓住AI 这一波
    2017-12-07
    1
  • suke
    老师您好,对于一个计算机专业的本科生,想向数据科学家方向发展,是否需要去读研 读博 进行系统的学习亦或是通过在线各种教育培训的方式自学

    作者回复: 这个需要看每个人具体的情况,建议先多看看自己是否喜欢这个行业的内容。

    2017-12-01
    1
  • 泓丞
    真心不贵,少洗一次脚
    2019-09-29
  • 从此刻起开始
    我疑惑的是,少量数据的AI,现实吗?
    2019-06-11
  • 从此刻起开始
    AI的价值好理解,我很想知道,当下人工智能能走多远
    2019-06-11
  • h
    这课内容真足
    2019-01-21
  • 木子輕颺
    准备进入数据领域,后来者前来学习经验
    2018-11-19
  • 陈星强·DeepOmics
    谢谢很受启发。工作和学习是不一样的。无论是节奏还是目标导向。希望能够从这个专栏看到不一样的效果。坚持一下
    2018-10-01
  • 宋敏April
    谢谢洪老师。我是一个数据科学从业者,平时需要看一些论文。可是自己看起来效率太低,又不能很周全地思考。期待向老师学习更多!
    2018-07-25
收起评论
16
80
返回
顶部