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
8829 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 (31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?
016 | The Web 2018论文精读:如何对商品的图片美感进行建模?
017 | The Web 2018论文精读:如何改进经典的推荐算法BPR?
018 | The Web 2018论文精读:如何从文本中提取高元关系?
019 | SIGIR 2018论文精读:偏差和“流行度”之间的关系
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?
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?
022 | CVPR 2018论文精读:如何研究计算机视觉任务之间的关系?
023 | CVPR 2018论文精读:如何从整体上对人体进行三维建模?
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?
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
026 | ICML 2018论文精读:聊一聊机器学习算法的“公平性”问题
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”?
028 | ACL 2018论文精读:问答系统场景下,如何提出好问题?
029 | ACL 2018论文精读:什么是对话中的前提触发?如何检测?
030 | ACL 2018论文精读:什么是“端到端”的语义哈希?
复盘 7 | 一起来读人工智能国际顶级会议论文
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 (18讲)
079 | 广告系统概述
080 | 广告系统架构
081 | 广告回馈预估综述
082 | Google的点击率系统模型
083 | Facebook的广告点击率预估模型
084 | 雅虎的广告点击率预估模型
085 | LinkedIn的广告点击率预估模型
086 | Twitter的广告点击率预估模型
087 | 阿里巴巴的广告点击率预估模型
088 | 什么是“基于第二价位的广告竞拍”?
089 | 广告的竞价策略是怎样的?
090 | 如何优化广告的竞价策略?
091 | 如何控制广告预算?
092 | 如何设置广告竞价的底价?
093 | 聊一聊“程序化直接购买”和“广告期货”
094 | 归因模型:如何来衡量广告的有效性
095 | 广告投放如何选择受众?如何扩展受众群?
096 | 如何利用机器学习技术来检测广告欺诈?
自然语言处理及文本处理核心技术 (0讲)
该章节暂未更新内容,敬请期待
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 (0讲)
该章节暂未更新内容,敬请期待
热点话题讨论 (0讲)
该章节暂未更新内容,敬请期待
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

152 | 2017人工智能技术发展盘点

洪亮劼 2018-02-16
今天是大年初一,在这里先给你拜个年,祝新年新气象,新年新开始!
在今天这个辞旧迎新的日子里,我们对过去一年的人工智能技术发展做一个简单的盘点,梳理思路,温故知新。
2017 年,对于人工智能整个领域的发展,是举足轻重的一年。这一年,人工智能的各个领域都蓬勃发展,我们目睹了一些在 AI 发展史上的标志性事件。比如,从人工智能的技术上看,人工智能系统 AlphaGo Master 与人类世界实时排名第一的棋手柯洁展开围棋人机对决,最终连胜三盘;从人工智能的投入上看,很多互联网公司都先后成立单独的人工智能研发机构,像阿里巴巴的达摩院;从云服务和人工智能结合的发展来看,2017 年谷歌在这一方向发展迅猛,不仅在中国开设了研发中心,还宣布已经有超过万家企业和组织正在使用谷歌的人工智能接口。
今天我希望能够从几个关键领域和发展方向出发,在繁多的科技进步中,理清关键信息,对过去一年的产业动态和发展做出点评,给你一个清晰而简单的信息参考。

人工智能在棋牌上的迅猛发展

2017 年的一个标志性的事件,无疑是 AlphaGo 在围棋这项运动中的“收官”表现。虽然 2016 年 AlphaGo 战胜李世石之后,很多人依然对人类能够在围棋这个古老的运动中有所发挥保留着期望,也给予其他围棋选手以希望。然而,5 月 27 日,AlphaGo Master 与当时人类世界实时排名第一的棋手柯洁展开人机对决并且直接连胜三盘,可以说这个结果完全摧毁了人类在这个项目上的希望。随后,AlphaGo 团队的负责人德迈斯⋅哈萨斯(Demis Hassabis)宣布,乌镇围棋峰会将是 AlphaGo 参加的最后一场赛事,这也意味着 AlphaGo 以完美的表现“收官”。
几个月后的 10 月,DeepMind 团队在《自然》杂志上发表了一篇文章,介绍了 AlphaGo Zero,一个没有用到人类棋局数据的 AlphaGo,比以前任何击败人类的版本都要强大。通过跟自己对战,AlphaGo Zero 经过 3 天的学习,以 100:0 的成绩超越了 AlphaGo Lee 的实力,21 天后达到了 AlphaGo Master 的水平,并在 40 天内超过了所有之前的版本。这种完全不依靠人类棋局的办法,并且能够通过自我训练达到最高人类水平,可以说是让人工智能界目瞪口呆。我们在之前的分享中曾经详细介绍了这篇论文的核心内容(精读 AlphaGo Zero 论文)。
从 2016 年开始到 2017 年年底,短短一年多的时间内,AlphaGo 经历三次重大进化,并以非常完整的形式在《自然》杂志上总结最后成果,不得不让人惊叹人工智能在这一方向上发展的神速。
另外一项成就和 AlphaGo 在围棋上所取得的成就旗鼓相当,那就是来自卡内基梅隆大学团队的“利不拉图斯”(Libratus)在宾夕法尼亚州匹兹堡的“里维斯”(Rivers)赌场战胜四位德州扑克顶级选手获得最终胜利。这个胜利背后的一些原理已经被团队发表在了 NIPS 2017 的论文中,并且这篇论文也获得了 NIPS 2017 的最佳论文。我们在之前的 NIPS 2017 最佳论文推荐中也介绍了这方面的内容(精读 NIPS 2017 最佳研究论文之三:如何解决非完美信息博弈问题?)。相比于围棋来说,德州扑克这种非对称信息博弈的难度应该说更大,而卡内基梅隆大学团队的成绩在未来应该会有更大的发挥空间。
取消
完成
0/1000字
划线
笔记
复制
© 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(4)

  • RZ_diversity
    自然语言处理领域没有什么重大进展吗
    2018-02-16
    2
  • JIA
    感谢洪老师!春节快乐!
    2018-02-16
    2
  • 仲毅
    整個業態轉變真的很快,台灣剛處於人才培育的起步,相對中國已有成形的產業環境,是不錯的借鏡
    2018-02-16
    1
    1
  • 林彦
    过去2年,这些技术突破离我们的日常生活越来越近。除了北京这种大城市,阿里巴巴和谷歌这种大公司,怎么能像美国一样有更多匹兹堡这样的中小城市的企业和学校也能受惠于这种变革,整个国家就能更强大。
    2018-02-16
    1
收起评论
4
返回
顶部