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
32838 人已学习
新⼈⾸单¥98
登录后，你可以任选6讲全文学习
推荐试读
换一换
课程目录
已完结/共 166 讲
开篇词 (1讲)
开篇词 | 你的360度人工智能信息助理
时长 04:57
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
时长 11:00
002 | 精读2017年KDD最佳研究论文
时长 10:35
003 | 精读2017年KDD最佳应用数据科学论文
时长 09:34
004 | 精读2017年EMNLP最佳长论文之一
时长 08:32
005 | 精读2017年EMNLP最佳长论文之二
时长 08:55
006 | 精读2017年EMNLP最佳短论文
时长 09:31
007 | 精读2017年ICCV最佳研究论文
时长 09:14
008 | 精读2017年ICCV最佳学生论文
时长 07:21
009 | 如何将“深度强化学习”应用到视觉问答系统？
时长 08:08
010 | 精读2017年NIPS最佳研究论文之一：如何解决非凸优化问题？
时长 07:27
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？
时长 07:27
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？
时长 06:55
013 | WSDM 2018论文精读：看谷歌团队如何做位置偏差估计
时长 08:49
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
时长 08:00
015 | WSDM 2018论文精读：深度学习模型中如何使用上下文信息？
时长 05:04
016 | The Web 2018论文精读：如何对商品的图片美感进行建模？
时长 08:01
017 | The Web 2018论文精读：如何改进经典的推荐算法BPR？
时长 05:47
018 | The Web 2018论文精读：如何从文本中提取高元关系？
时长 06:05
019 | SIGIR 2018论文精读：偏差和“流行度”之间的关系
时长 08:35
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？
时长 06:59
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？
时长 07:14
022 | CVPR 2018论文精读：如何研究计算机视觉任务之间的关系？
时长 07:50
023 | CVPR 2018论文精读：如何从整体上对人体进行三维建模？
时长 06:28
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？
时长 07:05
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
时长 07:35
026 | ICML 2018论文精读：聊一聊机器学习算法的“公平性”问题
时长 06:36
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”？
时长 06:22
028 | ACL 2018论文精读：问答系统场景下，如何提出好问题？
时长 07:50
029 | ACL 2018论文精读：什么是对话中的前提触发？如何检测？
时长 07:33
030 | ACL 2018论文精读：什么是“端到端”的语义哈希？
时长 07:27
复盘 7 | 一起来读人工智能国际顶级会议论文
时长 04:35
搜索核心技术 (28讲)
031 | 经典搜索核心算法：TF-IDF及其变种
时长 11:19
032 | 经典搜索核心算法：BM25及其变种（内附全年目录）
时长 09:45
033 | 经典搜索核心算法：语言模型及其变种
时长 10:08
034 | 机器学习排序算法：单点法排序学习
时长 09:33
035 | 机器学习排序算法：配对法排序学习
时长 08:38
036 | 机器学习排序算法：列表法排序学习
时长 08:07
037 | “查询关键字理解”三部曲之分类
时长 09:08
038 | “查询关键字理解”三部曲之解析
时长 07:57
039 | “查询关键字理解”三部曲之扩展
时长 07:30
040 | 搜索系统评测，有哪些基础指标？
时长 08:43
041 | 搜索系统评测，有哪些高级指标？
时长 07:17
042 | 如何评测搜索系统的在线表现？
时长 07:55
043 | 文档理解第一步：文档分类
时长 08:31
044 | 文档理解的关键步骤：文档聚类
时长 07:25
045 | 文档理解的重要特例：多模文档建模
时长 07:42
046 | 大型搜索框架宏观视角：发展、特点及趋势
时长 08:30
047 | 多轮打分系统概述
时长 07:18
048 | 搜索索引及其相关技术概述
时长 07:54
049 | PageRank算法的核心思想是什么？
时长 08:01
050 | 经典图算法之HITS
时长 07:29
051 | 社区检测算法之“模块最大化 ”
时长 06:40
052 | 机器学习排序算法经典模型：RankSVM
时长 07:54
053 | 机器学习排序算法经典模型：GBDT
时长 06:56
054 | 机器学习排序算法经典模型：LambdaMART
时长 07:25
055 | 基于深度学习的搜索算法：深度结构化语义模型
时长 08:08
056 | 基于深度学习的搜索算法：卷积结构下的隐含语义模型
时长 06:42
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
时长 07:30
复盘 1 | 搜索核心技术模块
时长 02:37
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
时长 08:50
059 | 简单推荐模型之二：基于相似信息的推荐模型
时长 08:05
060 | 简单推荐模型之三：基于内容信息的推荐模型
时长 07:34
061 | 基于隐变量的模型之一：矩阵分解
时长 07:07
062 | 基于隐变量的模型之二：基于回归的矩阵分解
时长 07:16
063 | 基于隐变量的模型之三：分解机
时长 05:05
064 | 高级推荐模型之一：张量分解模型
时长 07:14
065 | 高级推荐模型之二：协同矩阵分解
时长 06:41
066 | 高级推荐模型之三：优化复杂目标函数
时长 06:09
067 | 推荐的Exploit和Explore算法之一：EE算法综述
时长 07:56
068 | 推荐的Exploit和Explore算法之二：UCB算法
时长 06:33
069 | 推荐的Exploit和Explore算法之三：汤普森采样算法
时长 06:28
070 | 推荐系统评测之一：传统线下评测
时长 06:34
071 | 推荐系统评测之二：线上评测
时长 06:29
072 | 推荐系统评测之三：无偏差估计
时长 06:17
073 | 现代推荐架构剖析之一：基于线下离线计算的推荐架构
时长 07:07
074 | 现代推荐架构剖析之二：基于多层搜索架构的推荐系统
时长 06:18
075 | 现代推荐架构剖析之三：复杂现代推荐架构漫谈
时长 05:41
076 | 基于深度学习的推荐模型之一：受限波兹曼机
时长 07:21
077 | 基于深度学习的推荐模型之二：基于RNN的推荐系统
时长 06:45
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
时长 06:37
复盘 2 | 推荐系统核心技术模块
时长 02:18
广告系统核心技术 (19讲)
079 | 广告系统概述
时长 08:04
080 | 广告系统架构
时长 05:59
081 | 广告回馈预估综述
时长 06:25
082 | Google的点击率系统模型
时长 10:07
083 | Facebook的广告点击率预估模型
时长 06:33
084 | 雅虎的广告点击率预估模型
时长 05:47
085 | LinkedIn的广告点击率预估模型
时长 05:18
086 | Twitter的广告点击率预估模型
时长 06:50
087 | 阿里巴巴的广告点击率预估模型
时长 07:08
088 | 什么是“基于第二价位的广告竞拍”？
时长 06:40
089 | 广告的竞价策略是怎样的？
时长 07:00
090 | 如何优化广告的竞价策略？
时长 06:09
091 | 如何控制广告预算？
时长 05:11
092 | 如何设置广告竞价的底价？
时长 06:32
093 | 聊一聊“程序化直接购买”和“广告期货”
时长 06:03
094 | 归因模型：如何来衡量广告的有效性
时长 06:25
095 | 广告投放如何选择受众？如何扩展受众群？
时长 06:24
096 | 如何利用机器学习技术来检测广告欺诈？
时长 06:21
复盘 4 | 广告系统核心技术模块
时长 01:04
自然语言处理及文本处理核心技术 (19讲)
097 | LDA模型的前世今生
时长 11:13
098 | LDA变种模型知多少
时长 07:49
099 | 针对大规模数据，如何优化LDA算法？
时长 07:21
100 | 基础文本分析模型之一：隐语义分析
时长 05:49
101 | 基础文本分析模型之二：概率隐语义分析
时长 04:35
102 | 基础文本分析模型之三：EM算法
时长 06:35
103 | 为什么需要Word2Vec算法？
时长 06:03
104 | Word2Vec算法有哪些扩展模型？
时长 06:20
105 | Word2Vec算法有哪些应用？
时长 05:24
106 | 序列建模的深度学习利器：RNN基础架构
时长 06:58
107 | 基于门机制的RNN架构：LSTM与GRU
时长 07:17
108 | RNN在自然语言处理中有哪些应用场景？
时长 06:36
109 | 对话系统之经典的对话模型
时长 07:07
110 | 任务型对话系统有哪些技术要点？
时长 06:11
111 | 聊天机器人有哪些核心技术要点？
时长 05:36
112 | 什么是文档情感分类？
时长 06:19
113 | 如何来提取情感“实体”和“方面”呢？
时长 05:39
114 | 文本情感分析中如何做意见总结和搜索？
时长 06:29
复盘 3 | 自然语言处理及文本处理核心技术模块
时长 01:30
计算机视觉核心技术 (13讲)
115 | 什么是计算机视觉？
时长 07:12
116 | 掌握计算机视觉任务的基础模型和操作
时长 06:12
117 | 计算机视觉中的特征提取难在哪里？
时长 06:10
118 | 基于深度学习的计算机视觉技术（一）：深度神经网络入门
时长 07:08
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
时长 07:41
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
时长 07:25
121 | 计算机视觉领域的深度学习模型（一）：AlexNet
时长 06:46
122 | 计算机视觉领域的深度学习模型（二）：VGG & GoogleNet
时长 07:08
123 | 计算机视觉领域的深度学习模型（三）：ResNet
时长 05:37
124 | 计算机视觉高级话题（一）：图像物体识别和分割
时长 05:51
125 | 计算机视觉高级话题（二）：视觉问答
时长 04:51
126 | 计算机视觉高级话题（三）：产生式模型
时长 06:06
复盘 5 | 计算机视觉核心技术模块
时长 01:21
数据科学家与数据科学团队养成 (25讲)
127 | 数据科学家基础能力之概率统计
时长 10:20
128 | 数据科学家基础能力之机器学习
时长 11:40
129 | 数据科学家基础能力之系统
时长 09:35
130 | 数据科学家高阶能力之分析产品
时长 10:30
131 | 数据科学家高阶能力之评估产品
时长 11:16
132 | 数据科学家高阶能力之如何系统提升产品性能
时长 09:35
133 | 职场话题：当数据科学家遇见产品团队
时长 08:25
134 | 职场话题：数据科学家应聘要具备哪些能力？
时长 09:14
135 | 职场话题：聊聊数据科学家的职场规划
时长 08:17
136 | 如何组建一个数据科学团队？
时长 11:18
137 | 数据科学团队养成：电话面试指南
时长 08:38
138 | 数据科学团队养成：Onsite面试面面观
时长 07:50
139 | 成为“香饽饽”的数据科学家，如何衡量他们的工作呢？
时长 08:25
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？
时长 07:41
141 | 数据科学家团队组织架构：水平还是垂直，这是个问题
时长 07:59
142 | 数据科学家必备套路之一：搜索套路
时长 09:17
143 | 数据科学家必备套路之二：推荐套路
时长 07:35
144 | 数据科学家必备套路之三：广告套路
时长 06:53
145 | 如何做好人工智能项目的管理？
时长 07:12
146 | 数据科学团队必备的工程流程三部曲
时长 08:06
147 | 数据科学团队怎么选择产品和项目？
时长 07:25
148 | 曾经辉煌的雅虎研究院
时长 10:41
149 | 微软研究院：工业界研究机构的楷模
时长 08:18
150 | 聊一聊谷歌特立独行的混合型研究
时长 06:27
复盘 6 | 数据科学家与数据科学团队是怎么养成的？
时长 02:13
热点话题讨论 (7讲)
151 | 精读AlphaGo Zero论文
时长 09:57
152 | 2017人工智能技术发展盘点
时长 08:57
153 | 如何快速学习国际顶级学术会议的内容？
时长 08:10
154 | 在人工智能领域，如何快速找到学习的切入点？
时长 07:36
155 | 人工智能技术选择，该从哪里获得灵感？
时长 06:44
156 | 近在咫尺，走进人工智能研究
时长 07:42
内参特刊 | 和你聊聊每个人都关心的人工智能热点话题
时长 19:50
结束语 (1讲)
结束语 | 雄关漫道真如铁，而今迈步从头越
时长 04:43
AI 技术内参
15
15
1.0x
00:00/00:00
登录|注册

069 | 推荐的Exploit和Explore算法之三：汤普森采样算法

洪亮劼
周三的分享里，我们讨论了一种叫作 UCB（Upper Confidence Bound）的算法。这种算法的核心是使用均值和标准差组成对物品的估计，并且利用这种估计达到 EE 的效果。同时，我们也提到，UCB 的最大问题就是并没有真正达到随机的效果。
今天，我们来看一种不太一样的算法，叫“汤普森采样”（Thompson Sampling）。

为什么需要随机采样？

在讨论汤普森采样之前，我们先来看一看什么是随机采样。随机采样的技术和概率分布密不可分，也和计算机产生随机数有很大的联系。
确认放弃笔记？
放弃后所记笔记将不保留。
新功能上线，你的历史笔记已初始化为私密笔记，是否一键批量公开？
批量公开的笔记不会为你同步至部落
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
  • 深入了解
  • 翻译
    • 英语
    • 中文简体
    • 中文繁体
    • 法语
    • 德语
    • 日语
    • 韩语
    • 俄语
    • 西班牙语
    • 阿拉伯语
  • 解释
  • 总结
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《AI 技术内参》，新⼈⾸单¥98
立即购买
© 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。
136 | 如何组建一个数据科学团队？
130 | 数据科学家高阶能力之分析产品
037 | “查询关键字理解”三部曲之分类
044 | 文档理解的关键步骤：文档聚类
109 | 对话系统之经典的对话模型
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
登录 后留言

全部留言(2)

  • 最新
  • 精选
  • 兔子ORZ
    后验分布很复杂的时候，Thompson采样收敛速度会很慢。可以尝试更高级的采样方式 Importance Sampling或者MCMC，Gibbs呢
    1
  • 林彦
    当被采样的物品点击率很接近时，这些物品会一直被计算和采样。可能会比较耗时
收起评论
显示
设置
留言
2
收藏
沉浸
阅读
分享
手机端
快捷键
回顶部