AI技术内参学习心得
AI技术内参学习心得，更多完整内容，一起来学习
AI技术内参学习心得
讲ACL2018论文精读：什么是“端到端”的语义哈希
讲ACL2018论文精读：什么是对话中的前提触发如何检测
讲ACL2018论文精读：问答系统场景下，如何提出好问题
讲CVPR2018论文精读：如何从整体上对人体进行三维建模
讲CVPR2018论文精读：如何解决排序学习计算复杂度高这个问题
讲CVPR2018论文精读：如何研究计算机视觉任务之间的关系
讲Facebook的广告点击率预估模型
讲ICML2018论文精读：聊一聊机器学习算法的“公平性”问题
讲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
讲ICML2018论文精读：优化目标函数的时候，有可能放大了“不公平”
讲LDA变种模型知多少
讲LinkedIn的广告点击率预估模型
讲RNN在自然语言处理中有哪些应用场景
讲SIGIR2018论文精读：偏差和“流行度”之间的关系
讲SIGIR2018论文精读：如何对搜索页面上的点击行为进行序列建模
讲SIGIR2018论文精读：如何利用对抗学习来增强排序模型的普适性
讲TheWeb2018论文精读：如何从文本中提取高元关系
讲TheWeb2018论文精读：如何对商品的图片美感进行建模
讲TheWeb2018论文精读：如何改进经典的推荐算法BPR
讲Twitter的广告点击率预估模型
讲Word2Vec算法有哪些扩展模型
讲Word2Vec算法有哪些应用
讲阿里巴巴的广告点击率预估模型
讲对话系统之经典的对话模型
讲广告的竞价策略是怎样的
讲广告回馈预估综述
讲广告投放如何选择受众如何扩展受众群
讲广告系统概述
讲广告系统架构
讲归因模型：如何来衡量广告的有效性
讲基础文本分析模型之二：概率隐语义分析
讲基础文本分析模型之三：EM算法
讲基础文本分析模型之一：隐语义分析
讲基于门机制的RNN架构：LSTM与GRU
讲基于深度学习的计算机视觉技术（二）：基本的深度学习模型
讲基于深度学习的计算机视觉技术（三）：深度学习模型的优化
讲基于深度学习的计算机视觉技术（一）：深度神经网络入门
讲基于深度学习的推荐模型之二：基于RNN的推荐系统
讲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
讲基于深度学习的推荐模型之一：受限波兹曼机
讲计算机视觉高级话题（二）：视觉问答
讲计算机视觉高级话题（三）：产生式模型
讲计算机视觉高级话题（一）：图像物体识别和分割
讲计算机视觉领域的深度学习模型（二）：VGG&GoogleNet
讲计算机视觉领域的深度学习模型（三）：ResNet
讲计算机视觉领域的深度学习模型（一）：AlexNet
讲计算机视觉中的特征提取难在哪里
讲聊天机器人有哪些核心技术要点
讲聊一聊“程序化直接购买”和“广告期货”
讲任务型对话系统有哪些技术要点
讲如何控制广告预算
讲如何快速学习国际顶级学术会议的内容
讲如何来提取情感“实体”和“方面”呢
讲如何利用机器学习技术来检测广告欺诈
讲如何设置广告竞价的底价
讲如何优化广告的竞价策略
讲如何做好人工智能项目的管理
讲什么是“基于第二价位的广告竞拍”
讲什么是计算机视觉
讲什么是文档情感分类
讲数据科学家必备套路之二：推荐套路
讲数据科学家必备套路之三：广告套路
讲数据科学家必备套路之一：搜索套路
讲数据科学团队必备的工程流程三部曲
讲数据科学团队怎么选择产品和项目
讲推荐系统评测之二：线上评测
讲推荐系统评测之三：无偏差估计
讲推荐系统评测之一：传统线下评测
讲为什么需要Word2Vec算法
讲文本情感分析中如何做意见总结和搜索
讲现代推荐架构剖析之二：基于多层搜索架构的推荐系统
讲现代推荐架构剖析之三：复杂现代推荐架构漫谈
讲现代推荐架构剖析之一：基于线下离线计算的推荐架构
讲序列建模的深度学习利器：RNN基础架构
讲雅虎的广告点击率预估模型
讲掌握计算机视觉任务的基础模型和操作
讲针对大规模数据，如何优化LDA算法
