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
8412 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

153 | 如何快速学习国际顶级学术会议的内容?

洪亮劼 2018-06-01

我们在专栏中已经多次分享了计算机科学(特别是机器学习、数据挖掘和人工智能)领域顶级学术会议的会议论文,向你介绍了这些会议中一些最新的学术和研究成果,希望这些内容能够起到抛砖引玉的作用。

最近今年,随着机器学习和人工智能的逐渐火热,越来越多的研究人员投入到这些领域中,这些顶级会议的投稿论文数和收录稿件数都成倍增长,不少会议会有几百篇论文被收录。这就给希望学习这些论文的人,不仅是初学者,甚至是长期在这些领域工作的研究人员和实践者,都带来了不小的挑战。

现实情况下,尝试去看完一个会议的所有论文是不现实的,从某种程度上看也是不必要的。那么,怎样才能从这些会议中快速地、有效率地吸收到更多的内容呢?想要事半功倍地学习顶级学术会议的论文,究竟有没有什么方法可以帮助我们实现这个目的呢?

今天我就结合自己的经验,和你分享如何快速学习顶级会议的内容。

顶级会议的基本内容架构

在学习任何顶级会议的论文内容之前,我们其实最需要了解的就是这些会议本身有什么规律,或者说会议的内容安排上是不是遵循了一定的逻辑架构。这里,我们首先来看一看这些顶级会议在内容安排上的规律。

毫无疑问,所有顶级会议的核心内容是收录的论文。这一点,我已经反复提及了。有一个细节可能是初学者容易忽视的,那就是很多会议都对收录的论文进行了区分,用于区分出最优秀的论文和一般的论文。

这种区分一般有两种形式。第一种形式是论文在会议上的表现形式有区别。最优秀的少量论文是时长 20~30 分钟的演讲报告,而其他大量的论文是时间很短的报告,或者有的会议干脆就没有这些论文报告时间。第二种形式是这些论文在会议论文集中发表的长度有区别,这也就有了所谓长论文短论文的区分。通常情况下,长论文是 8~11 页,而短论文则是 2~6 页不等。

除了收录的论文以外,顶级会议往往还有很多精彩的内容。你可以关注的第二个有价值的内容形式是“讲座”(Tutorial)。“讲座”的形式常常有半天的、全天的,以及超过一天由几个研究者针对某一个特定主题的集中式分享和讨论。一般来说,“讲座”往往是一些最新的热点问题,但同时有了一整套阶段性的成果,这时候,在这个领域有突出贡献的研究者,就利用“讲座”的模式把这些内容给总结出来进行分享。

第三种你可以关注的内容形式就是“研讨班”。“研讨班”是针对某一个特定的近期热门的主题,由一些学者或者工程师组织的小型会议。和“讲座”一样,“研讨班”往往也是半天到一天不等。“研讨班”被认为是小型会议,因此有时候也还会收录一些论文。然而,这些论文的数量和质量都有很大的差别。

从组织的角度来讲,“研讨班”的目的主要是吸引更多人对某个主题的关注,以及给目前针对这个主题工作的研究者们提供一个交流的场所和平台。从这个角度来讲,很多“研讨班”分享的内容可能都是“还在进行的工作”(Work In Progress)。所以,“研讨班”所关注的热点往往比“讲座”还要激进。近年来,机器学习和人工智能的热点越来越多,有的会议有多达十几个甚至二十几个“研讨班”在大会期间举行。

最后,还有一个可以关注的则是很多会议和研讨班中都有的“邀请演讲”(Invited Talk)或者叫作“主题演讲”(Keynote Talk)。如果是亲自参加这些会议或者有视频录像,那么这些演讲往往还是值得一听的。从会议组织的角度来说,这些演讲往往是邀请在本领域有重大贡献的学者或者是相关领域的权威学者。因此,通过这些演讲,我们可以了解到这些领域的重要学者都在针对什么问题进行思考,以及他们眼中这些领域的发展方向是怎样的。

上面介绍了几个顶级会议值得关注的点,需要注意的是,并非所有会议都有“研讨班”或者“讲座”。

如何精选内容

了解了这些顶级会议内容的一个基本架构以后,我们现在来聊一聊如何从这些不同形式的内容中精选出你可以学习的信息。

© 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(3)

  • sky
    先看摘要和introduction,看是否对该论文真的感兴趣,再看conclusion,看论文的结果讨论是否对自己有启发,如果感兴趣再详细精读,但是有个问题是,怎么样才算把一篇文章彻底读懂了呢,公式的每个细节都需要弄明白吗?
    2018-06-02
    1
  • Bo
    洪老师实力派,能不能说一下第一次写KDD之类的英文paper经验,该怎么写?框架,思路,组织语句等等,非常需要哈😄
    2018-06-01
    1
  • 米乐乐果
    非常受益,授人以渔😁
    2018-06-01
收起评论
3
返回
顶部