[其他] AI技术内参 [推广有奖]

0关注
0粉丝

已卖：165份资源

学科带头人

6%

还不是VIP/贵宾

-

0%

威望: 0 级
论坛币: 54 个
通用积分: 73.0000
学术水平: 15 点
热心指数: 37 点
信用等级: 10 点
经验: 32195 点
帖子: 1294
精华: 0
在线时间: 798 小时
注册时间: 2024-3-1
最后登录: 2026-1-11

楼主

Hedy2030 发表于 2024-10-7 18:33:30 |AI写论文

是否 +2 论坛币

k人参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

+02-搜索核心技术 (28讲)
018丨经典搜索核心算法：TF-IDF及其变种.html
018丨经典搜索核心算法：TF-IDF及其变种.mp3
018丨经典搜索核心算法：TF-IDF及其变种.pdf
019丨经典搜索核心算法：BM25及其变种（内附全年目录）.html
019丨经典搜索核心算法：BM25及其变种（内附全年目录）.mp3
019丨经典搜索核心算法：BM25及其变种（内附全年目录）.pdf
020丨经典搜索核心算法：语言模型及其变种.html
020丨经典搜索核心算法：语言模型及其变种.mp3
020丨经典搜索核心算法：语言模型及其变种.pdf
021丨机器学习排序算法：单点法排序学习.html
021丨机器学习排序算法：单点法排序学习.mp3
021丨机器学习排序算法：单点法排序学习.pdf
022丨机器学习排序算法：配对法排序学习.html
022丨机器学习排序算法：配对法排序学习.mp3
022丨机器学习排序算法：配对法排序学习.pdf
023丨机器学习排序算法：列表法排序学习.html
023丨机器学习排序算法：列表法排序学习.mp3
023丨机器学习排序算法：列表法排序学习.pdf
024丨“查询关键字理解”三部曲之分类.html
024丨“查询关键字理解”三部曲之分类.mp3
024丨“查询关键字理解”三部曲之分类.pdf
025丨“查询关键字理解”三部曲之解析.html
025丨“查询关键字理解”三部曲之解析.mp3
025丨“查询关键字理解”三部曲之解析.pdf
026丨“查询关键字理解”三部曲之扩展.html
026丨“查询关键字理解”三部曲之扩展.mp3
026丨“查询关键字理解”三部曲之扩展.pdf
027丨搜索系统评测，有哪些基础指标？.html
027丨搜索系统评测，有哪些基础指标？.mp3
027丨搜索系统评测，有哪些基础指标？.pdf
028丨搜索系统评测，有哪些高级指标？.html
028丨搜索系统评测，有哪些高级指标？.mp3
028丨搜索系统评测，有哪些高级指标？.pdf
029丨如何评测搜索系统的在线表现？.html
029丨如何评测搜索系统的在线表现？.mp3
029丨如何评测搜索系统的在线表现？.pdf
030丨文档理解第一步：文档分类.html
030丨文档理解第一步：文档分类.mp3
030丨文档理解第一步：文档分类.pdf
031丨文档理解的关键步骤：文档聚类.html
031丨文档理解的关键步骤：文档聚类.mp3
031丨文档理解的关键步骤：文档聚类.pdf
032丨文档理解的重要特例：多模文档建模.html
032丨文档理解的重要特例：多模文档建模.mp3
032丨文档理解的重要特例：多模文档建模.pdf
033丨大型搜索框架宏观视角：发展、特点及趋势.html
033丨大型搜索框架宏观视角：发展、特点及趋势.mp3
033丨大型搜索框架宏观视角：发展、特点及趋势.pdf
034丨多轮打分系统概述.html
034丨多轮打分系统概述.mp3
034丨多轮打分系统概述.pdf
035丨搜索索引及其相关技术概述.html
035丨搜索索引及其相关技术概述.mp3
035丨搜索索引及其相关技术概述.pdf
036丨PageRank算法的核心思想是什么？.html
036丨PageRank算法的核心思想是什么？.mp3
036丨PageRank算法的核心思想是什么？.pdf
037丨经典图算法之HITS.html
037丨经典图算法之HITS.mp3
037丨经典图算法之HITS.pdf
038丨社区检测算法之“模块最大化 ”.html
038丨社区检测算法之“模块最大化 ”.mp3
038丨社区检测算法之“模块最大化 ”.pdf
039丨机器学习排序算法经典模型：RankSVM.html
039丨机器学习排序算法经典模型：RankSVM.mp3
039丨机器学习排序算法经典模型：RankSVM.pdf
040丨机器学习排序算法经典模型：GBDT.html
040丨机器学习排序算法经典模型：GBDT.mp3
040丨机器学习排序算法经典模型：GBDT.pdf
041丨机器学习排序算法经典模型：LambdaMART.html
041丨机器学习排序算法经典模型：LambdaMART.mp3
041丨机器学习排序算法经典模型：LambdaMART.pdf
042丨基于深度学习的搜索算法：深度结构化语义模型.html
042丨基于深度学习的搜索算法：深度结构化语义模型.mp3
042丨基于深度学习的搜索算法：深度结构化语义模型.pdf
043丨基于深度学习的搜索算法：卷积结构下的隐含语义模型.html
043丨基于深度学习的搜索算法：卷积结构下的隐含语义模型.mp3
043丨基于深度学习的搜索算法：卷积结构下的隐含语义模型.pdf
044丨基于深度学习的搜索算法：局部和分布表征下的搜索模型.html
044丨基于深度学习的搜索算法：局部和分布表征下的搜索模型.mp3
044丨基于深度学习的搜索算法：局部和分布表征下的搜索模型.pdf
复盘 1丨搜索核心技术模块.html
复盘 1丨搜索核心技术模块.pdf
+03-推荐系统核心技术 (22讲)
063丨简单推荐模型之一：基于流行度的推荐模型.html
063丨简单推荐模型之一：基于流行度的推荐模型.mp3
063丨简单推荐模型之一：基于流行度的推荐模型.pdf
064丨简单推荐模型之二：基于相似信息的推荐模型.html
064丨简单推荐模型之二：基于相似信息的推荐模型.mp3
064丨简单推荐模型之二：基于相似信息的推荐模型.pdf
065丨简单推荐模型之三：基于内容信息的推荐模型.html
065丨简单推荐模型之三：基于内容信息的推荐模型.mp3
065丨简单推荐模型之三：基于内容信息的推荐模型.pdf
066丨基于隐变量的模型之一：矩阵分解.html
066丨基于隐变量的模型之一：矩阵分解.mp3
066丨基于隐变量的模型之一：矩阵分解.pdf
067丨基于隐变量的模型之二：基于回归的矩阵分解.html
067丨基于隐变量的模型之二：基于回归的矩阵分解.mp3
067丨基于隐变量的模型之二：基于回归的矩阵分解.pdf
068丨基于隐变量的模型之三：分解机.html
068丨基于隐变量的模型之三：分解机.mp3
068丨基于隐变量的模型之三：分解机.pdf
069丨高级推荐模型之一：张量分解模型.html
069丨高级推荐模型之一：张量分解模型.mp3
069丨高级推荐模型之一：张量分解模型.pdf
070丨高级推荐模型之二：协同矩阵分解.html
070丨高级推荐模型之二：协同矩阵分解.mp3
070丨高级推荐模型之二：协同矩阵分解.pdf
071丨高级推荐模型之三：优化复杂目标函数.html
071丨高级推荐模型之三：优化复杂目标函数.mp3
071丨高级推荐模型之三：优化复杂目标函数.pdf
072丨推荐的Exploit和Explore算法之一：EE算法综述.html
072丨推荐的Exploit和Explore算法之一：EE算法综述.mp3
072丨推荐的Exploit和Explore算法之一：EE算法综述.pdf
073丨推荐的Exploit和Explore算法之二：UCB算法.html
073丨推荐的Exploit和Explore算法之二：UCB算法.mp3
073丨推荐的Exploit和Explore算法之二：UCB算法.pdf
074丨推荐的Exploit和Explore算法之三：汤普森采样算法.html
074丨推荐的Exploit和Explore算法之三：汤普森采样算法.mp3
074丨推荐的Exploit和Explore算法之三：汤普森采样算法.pdf
075丨推荐系统评测之一：传统线下评测.html
075丨推荐系统评测之一：传统线下评测.mp3
075丨推荐系统评测之一：传统线下评测.pdf
076丨推荐系统评测之二：线上评测.html
076丨推荐系统评测之二：线上评测.mp3
076丨推荐系统评测之二：线上评测.pdf
077丨推荐系统评测之三：无偏差估计.html
077丨推荐系统评测之三：无偏差估计.mp3
077丨推荐系统评测之三：无偏差估计.pdf
078丨现代推荐架构剖析之一：基于线下离线计算的推荐架构.html
078丨现代推荐架构剖析之一：基于线下离线计算的推荐架构.mp3
078丨现代推荐架构剖析之一：基于线下离线计算的推荐架构.pdf
079丨现代推荐架构剖析之二：基于多层搜索架构的推荐系统.html
079丨现代推荐架构剖析之二：基于多层搜索架构的推荐系统.mp3
079丨现代推荐架构剖析之二：基于多层搜索架构的推荐系统.pdf
080丨现代推荐架构剖析之三：复杂现代推荐架构漫谈.html
080丨现代推荐架构剖析之三：复杂现代推荐架构漫谈.mp3
080丨现代推荐架构剖析之三：复杂现代推荐架构漫谈.pdf
081丨基于深度学习的推荐模型之一：受限波兹曼机.html
081丨基于深度学习的推荐模型之一：受限波兹曼机.mp3
081丨基于深度学习的推荐模型之一：受限波兹曼机.pdf
082丨基于深度学习的推荐模型之二：基于RNN的推荐系统.html
082丨基于深度学习的推荐模型之二：基于RNN的推荐系统.mp3
082丨基于深度学习的推荐模型之二：基于RNN的推荐系统.pdf
083丨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.html
083丨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.mp3
083丨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.pdf
复盘 2丨推荐系统核心技术模块.html
复盘 2丨推荐系统核心技术模块.pdf
+04-自然语言处理及文本处理核心技术 (19讲)
007丨LDA模型的前世今生.html
007丨LDA模型的前世今生.mp3
007丨LDA模型的前世今生.pdf
084丨LDA变种模型知多少.html
084丨LDA变种模型知多少.mp3
084丨LDA变种模型知多少.pdf
085丨针对大规模数据，如何优化LDA算法？.html
085丨针对大规模数据，如何优化LDA算法？.mp3
085丨针对大规模数据，如何优化LDA算法？.pdf
086丨基础文本分析模型之一：隐语义分析.html
086丨基础文本分析模型之一：隐语义分析.mp3
086丨基础文本分析模型之一：隐语义分析.pdf
087丨基础文本分析模型之二：概率隐语义分析.html
087丨基础文本分析模型之二：概率隐语义分析.mp3
087丨基础文本分析模型之二：概率隐语义分析.pdf
088丨基础文本分析模型之三：EM算法.html
088丨基础文本分析模型之三：EM算法.mp3
088丨基础文本分析模型之三：EM算法.pdf
089丨为什么需要Word2Vec算法？.html
089丨为什么需要Word2Vec算法？.mp3
089丨为什么需要Word2Vec算法？.pdf
090丨Word2Vec算法有哪些扩展模型？.html
090丨Word2Vec算法有哪些扩展模型？.mp3
090丨Word2Vec算法有哪些扩展模型？.pdf
091丨Word2Vec算法有哪些应用？.html
091丨Word2Vec算法有哪些应用？.mp3
091丨Word2Vec算法有哪些应用？.pdf
092丨序列建模的深度学习利器：RNN基础架构.html
092丨序列建模的深度学习利器：RNN基础架构.mp3
092丨序列建模的深度学习利器：RNN基础架构.pdf
093丨基于门机制的RNN架构：LSTM与GRU.html
093丨基于门机制的RNN架构：LSTM与GRU.mp3
093丨基于门机制的RNN架构：LSTM与GRU.pdf
094丨RNN在自然语言处理中有哪些应用场景？.html
094丨RNN在自然语言处理中有哪些应用场景？.mp3
094丨RNN在自然语言处理中有哪些应用场景？.pdf
095丨对话系统之经典的对话模型.html
095丨对话系统之经典的对话模型.mp3
095丨对话系统之经典的对话模型.pdf
096丨任务型对话系统有哪些技术要点？.html
096丨任务型对话系统有哪些技术要点？.mp3
096丨任务型对话系统有哪些技术要点？.pdf
097丨聊天机器人有哪些核心技术要点？.html
097丨聊天机器人有哪些核心技术要点？.mp3
097丨聊天机器人有哪些核心技术要点？.pdf
098丨什么是文档情感分类？.html
098丨什么是文档情感分类？.mp3
098丨什么是文档情感分类？.pdf
099丨如何来提取情感“实体”和“方面”呢？.html
099丨如何来提取情感“实体”和“方面”呢？.mp3
099丨如何来提取情感“实体”和“方面”呢？.pdf
100丨文本情感分析中如何做意见总结和搜索？.html
100丨文本情感分析中如何做意见总结和搜索？.mp3
100丨文本情感分析中如何做意见总结和搜索？.pdf
复盘 3丨自然语言处理及文本处理核心技术模块.html
复盘 3丨自然语言处理及文本处理核心技术模块.pdf
+05-广告系统核心技术 (19讲)
006丨Google的点击率系统模型.html
006丨Google的点击率系统模型.mp3
006丨Google的点击率系统模型.pdf
105丨广告系统概述.html
105丨广告系统概述.mp3
105丨广告系统概述.pdf
106丨广告系统架构.html
106丨广告系统架构.mp3
106丨广告系统架构.pdf
107丨广告回馈预估综述.html
107丨广告回馈预估综述.mp3
107丨广告回馈预估综述.pdf
108丨Facebook的广告点击率预估模型.html
108丨Facebook的广告点击率预估模型.mp3
108丨Facebook的广告点击率预估模型.pdf
109丨雅虎的广告点击率预估模型.html
109丨雅虎的广告点击率预估模型.mp3
109丨雅虎的广告点击率预估模型.pdf
110丨LinkedIn的广告点击率预估模型.html
110丨LinkedIn的广告点击率预估模型.mp3
110丨LinkedIn的广告点击率预估模型.pdf
111丨Twitter的广告点击率预估模型.html
111丨Twitter的广告点击率预估模型.mp3
111丨Twitter的广告点击率预估模型.pdf
112丨阿里巴巴的广告点击率预估模型.html
112丨阿里巴巴的广告点击率预估模型.mp3
112丨阿里巴巴的广告点击率预估模型.pdf
113丨什么是“基于第二价位的广告竞拍”？.html
113丨什么是“基于第二价位的广告竞拍”？.mp3
113丨什么是“基于第二价位的广告竞拍”？.pdf
114丨广告的竞价策略是怎样的？.html
114丨广告的竞价策略是怎样的？.mp3
114丨广告的竞价策略是怎样的？.pdf
115丨如何优化广告的竞价策略？.html
115丨如何优化广告的竞价策略？.mp3
115丨如何优化广告的竞价策略？.pdf
116丨如何控制广告预算？.html
116丨如何控制广告预算？.mp3
116丨如何控制广告预算？.pdf
117丨如何设置广告竞价的底价？.html
117丨如何设置广告竞价的底价？.mp3
117丨如何设置广告竞价的底价？.pdf
118丨聊一聊“程序化直接购买”和“广告期货”.html
118丨聊一聊“程序化直接购买”和“广告期货”.mp3
118丨聊一聊“程序化直接购买”和“广告期货”.pdf
119丨归因模型：如何来衡量广告的有效性.html
119丨归因模型：如何来衡量广告的有效性.mp3
119丨归因模型：如何来衡量广告的有效性.pdf
120丨广告投放如何选择受众？如何扩展受众群？.html
120丨广告投放如何选择受众？如何扩展受众群？.mp3
120丨广告投放如何选择受众？如何扩展受众群？.pdf
121丨如何利用机器学习技术来检测广告欺诈？.html
121丨如何利用机器学习技术来检测广告欺诈？.mp3
121丨如何利用机器学习技术来检测广告欺诈？.pdf
复盘 4丨广告系统核心技术模块.html
复盘 4丨广告系统核心技术模块.pdf
+06-计算机视觉核心技术 (13讲)
140丨什么是计算机视觉？.html
140丨什么是计算机视觉？.mp3
140丨什么是计算机视觉？.pdf
141丨掌握计算机视觉任务的基础模型和操作.html
141丨掌握计算机视觉任务的基础模型和操作.mp3
141丨掌握计算机视觉任务的基础模型和操作.pdf
142丨计算机视觉中的特征提取难在哪里？.html
142丨计算机视觉中的特征提取难在哪里？.mp3
142丨计算机视觉中的特征提取难在哪里？.pdf
143丨基于深度学习的计算机视觉技术（一）：深度神经网络入门.html
143丨基于深度学习的计算机视觉技术（一）：深度神经网络入门.mp3
143丨基于深度学习的计算机视觉技术（一）：深度神经网络入门.pdf
144丨基于深度学习的计算机视觉技术（二）：基本的深度学习模型.html
144丨基于深度学习的计算机视觉技术（二）：基本的深度学习模型.mp3
144丨基于深度学习的计算机视觉技术（二）：基本的深度学习模型.pdf
145丨基于深度学习的计算机视觉技术（三）：深度学习模型的优化.html
145丨基于深度学习的计算机视觉技术（三）：深度学习模型的优化.mp3
145丨基于深度学习的计算机视觉技术（三）：深度学习模型的优化.pdf
146丨计算机视觉领域的深度学习模型（一）：AlexNet.html
146丨计算机视觉领域的深度学习模型（一）：AlexNet.mp3
146丨计算机视觉领域的深度学习模型（一）：AlexNet.pdf
147丨计算机视觉领域的深度学习模型（二）：VGG & GoogleNet.html
147丨计算机视觉领域的深度学习模型（二）：VGG & GoogleNet.mp3
147丨计算机视觉领域的深度学习模型（二）：VGG & GoogleNet.pdf
148丨计算机视觉领域的深度学习模型（三）：ResNet.html
148丨计算机视觉领域的深度学习模型（三）：ResNet.mp3
148丨计算机视觉领域的深度学习模型（三）：ResNet.pdf
149丨计算机视觉高级话题（一）：图像物体识别和分割.html
149丨计算机视觉高级话题（一）：图像物体识别和分割.mp3
149丨计算机视觉高级话题（一）：图像物体识别和分割.pdf
150丨计算机视觉高级话题（二）：视觉问答.html
150丨计算机视觉高级话题（二）：视觉问答.mp3
150丨计算机视觉高级话题（二）：视觉问答.pdf
151丨计算机视觉高级话题（三）：产生式模型.html
151丨计算机视觉高级话题（三）：产生式模型.mp3
151丨计算机视觉高级话题（三）：产生式模型.pdf
复盘 5丨计算机视觉核心技术模块.html
复盘 5丨计算机视觉核心技术模块.pdf
+07-数据科学家与数据科学团队养成 (25讲)
001丨如何组建一个数据科学团队？.html
001丨如何组建一个数据科学团队？.mp3
001丨如何组建一个数据科学团队？.pdf
003丨数据科学家基础能力之概率统计.html
003丨数据科学家基础能力之概率统计.mp3
003丨数据科学家基础能力之概率统计.pdf
004丨数据科学家基础能力之机器学习.html
004丨数据科学家基础能力之机器学习.mp3
004丨数据科学家基础能力之机器学习.pdf
005丨数据科学家基础能力之系统.html
005丨数据科学家基础能力之系统.mp3
005丨数据科学家基础能力之系统.pdf
008丨曾经辉煌的雅虎研究院.html
008丨曾经辉煌的雅虎研究院.mp3
008丨曾经辉煌的雅虎研究院.pdf
009丨数据科学家高阶能力之分析产品.html
009丨数据科学家高阶能力之分析产品.mp3
009丨数据科学家高阶能力之分析产品.pdf
010丨数据科学家高阶能力之评估产品.html
010丨数据科学家高阶能力之评估产品.mp3
010丨数据科学家高阶能力之评估产品.pdf
011丨数据科学家高阶能力之如何系统提升产品性能.html
011丨数据科学家高阶能力之如何系统提升产品性能.mp3
011丨数据科学家高阶能力之如何系统提升产品性能.pdf
045丨职场话题：当数据科学家遇见产品团队.html
045丨职场话题：当数据科学家遇见产品团队.mp3
045丨职场话题：当数据科学家遇见产品团队.pdf
046丨职场话题：数据科学家应聘要具备哪些能力？.html
046丨职场话题：数据科学家应聘要具备哪些能力？.mp3
046丨职场话题：数据科学家应聘要具备哪些能力？.pdf
047丨职场话题：聊聊数据科学家的职场规划.html
047丨职场话题：聊聊数据科学家的职场规划.mp3
047丨职场话题：聊聊数据科学家的职场规划.pdf
054丨数据科学团队养成：电话面试指南.html
054丨数据科学团队养成：电话面试指南.mp3
054丨数据科学团队养成：电话面试指南.pdf
055丨数据科学团队养成：Onsite面试面面观.html
055丨数据科学团队养成：Onsite面试面面观.mp3
055丨数据科学团队养成：Onsite面试面面观.pdf
056丨成为“香饽饽”的数据科学家，如何衡量他们的工作呢？.html
056丨成为“香饽饽”的数据科学家，如何衡量他们的工作呢？.mp3
056丨成为“香饽饽”的数据科学家，如何衡量他们的工作呢？.pdf
057丨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？.html
057丨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？.mp3
057丨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？.pdf
058丨数据科学家团队组织架构：水平还是垂直，这是个问题.html
058丨数据科学家团队组织架构：水平还是垂直，这是个问题.mp3
058丨数据科学家团队组织架构：水平还是垂直，这是个问题.pdf
122丨数据科学家必备套路之一：搜索套路.html
122丨数据科学家必备套路之一：搜索套路.mp3
122丨数据科学家必备套路之一：搜索套路.pdf
123丨数据科学家必备套路之二：推荐套路.html
123丨数据科学家必备套路之二：推荐套路.mp3
123丨数据科学家必备套路之二：推荐套路.pdf
124丨数据科学家必备套路之三：广告套路.html
124丨数据科学家必备套路之三：广告套路.mp3
124丨数据科学家必备套路之三：广告套路.pdf
137丨如何做好人工智能项目的管理？.html
137丨如何做好人工智能项目的管理？.mp3
137丨如何做好人工智能项目的管理？.pdf
138丨数据科学团队必备的工程流程三部曲.html
138丨数据科学团队必备的工程流程三部曲.mp3
138丨数据科学团队必备的工程流程三部曲.pdf
139丨数据科学团队怎么选择产品和项目？.html
139丨数据科学团队怎么选择产品和项目？.mp3
139丨数据科学团队怎么选择产品和项目？.pdf
155丨微软研究院：工业界研究机构的楷模.html
155丨微软研究院：工业界研究机构的楷模.mp3
155丨微软研究院：工业界研究机构的楷模.pdf
156丨聊一聊谷歌特立独行的混合型研究.html
156丨聊一聊谷歌特立独行的混合型研究.mp3
156丨聊一聊谷歌特立独行的混合型研究.pdf
复盘 6丨数据科学家与数据科学团队是怎么养成的？.html
复盘 6丨数据科学家与数据科学团队是怎么养成的？.pdf
+08-人工智能国际顶级会议 (31讲)
002丨聊聊2017年KDD大会的时间检验奖.html
002丨聊聊2017年KDD大会的时间检验奖.mp3
002丨聊聊2017年KDD大会的时间检验奖.pdf
012丨精读2017年KDD最佳研究论文.html
012丨精读2017年KDD最佳研究论文.mp3
012丨精读2017年KDD最佳研究论文.pdf
013丨精读2017年KDD最佳应用数据科学论文.html
013丨精读2017年KDD最佳应用数据科学论文.mp3
013丨精读2017年KDD最佳应用数据科学论文.pdf
015丨精读2017年EMNLP最佳长论文之一.html
015丨精读2017年EMNLP最佳长论文之一.mp3
015丨精读2017年EMNLP最佳长论文之一.pdf
016丨精读2017年EMNLP最佳长论文之二.html
016丨精读2017年EMNLP最佳长论文之二.mp3
016丨精读2017年EMNLP最佳长论文之二.pdf
017丨精读2017年EMNLP最佳短论文.html
017丨精读2017年EMNLP最佳短论文.mp3
017丨精读2017年EMNLP最佳短论文.pdf
048丨精读2017年ICCV最佳研究论文.html
048丨精读2017年ICCV最佳研究论文.mp3
048丨精读2017年ICCV最佳研究论文.pdf
049丨精读2017年ICCV最佳学生论文.html
049丨精读2017年ICCV最佳学生论文.mp3
049丨精读2017年ICCV最佳学生论文.pdf
050丨如何将“深度强化学习”应用到视觉问答系统？.html
050丨如何将“深度强化学习”应用到视觉问答系统？.mp3
050丨如何将“深度强化学习”应用到视觉问答系统？.pdf
051丨精读2017年NIPS最佳研究论文之一：如何解决非凸优化问题？.html
051丨精读2017年NIPS最佳研究论文之一：如何解决非凸优化问题？.mp3
051丨精读2017年NIPS最佳研究论文之一：如何解决非凸优化问题？.pdf
052丨精读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？.html
052丨精读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？.mp3
052丨精读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？.pdf
053丨精读2017年NIPS最佳研究论文之三：如何解决非完美信息博弈问题？.html
053丨精读2017年NIPS最佳研究论文之三：如何解决非完美信息博弈问题？.mp3
053丨精读2017年NIPS最佳研究论文之三：如何解决非完美信息博弈问题？.pdf
060丨WSDM 2018论文精读：看谷歌团队如何做位置偏差估计.html
060丨WSDM 2018论文精读：看谷歌团队如何做位置偏差估计.mp3
060丨WSDM 2018论文精读：看谷歌团队如何做位置偏差估计.pdf
061丨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.html
061丨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.mp3
061丨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.pdf
062丨WSDM 2018论文精读：深度学习模型中如何使用上下文信息？.html
062丨WSDM 2018论文精读：深度学习模型中如何使用上下文信息？.mp3
062丨WSDM 2018论文精读：深度学习模型中如何使用上下文信息？.pdf
101丨The Web 2018论文精读：如何对商品的图片美感进行建模？.html
101丨The Web 2018论文精读：如何对商品的图片美感进行建模？.mp3
101丨The Web 2018论文精读：如何对商品的图片美感进行建模？.pdf
102丨The Web 2018论文精读：如何改进经典的推荐算法BPR？.html
102丨The Web 2018论文精读：如何改进经典的推荐算法BPR？.mp3
102丨The Web 2018论文精读：如何改进经典的推荐算法BPR？.pdf
103丨The Web 2018论文精读：如何从文本中提取高元关系？.html
103丨The Web 2018论文精读：如何从文本中提取高元关系？.mp3
103丨The Web 2018论文精读：如何从文本中提取高元关系？.pdf
125丨SIGIR 2018论文精读：偏差和“流行度”之间的关系.html
125丨SIGIR 2018论文精读：偏差和“流行度”之间的关系.mp3
125丨SIGIR 2018论文精读：偏差和“流行度”之间的关系.pdf
126丨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？.html
126丨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？.mp3
126丨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？.pdf
127丨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？.html
127丨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？.mp3
127丨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？.pdf
128丨CVPR 2018论文精读：如何研究计算机视觉任务之间的关系？.html
128丨CVPR 2018论文精读：如何研究计算机视觉任务之间的关系？.mp3
128丨CVPR 2018论文精读：如何研究计算机视觉任务之间的关系？.pdf
129丨CVPR 2018论文精读：如何从整体上对人体进行三维建模？.html
129丨CVPR 2018论文精读：如何从整体上对人体进行三维建模？.mp3
129丨CVPR 2018论文精读：如何从整体上对人体进行三维建模？.pdf
130丨CVPR 2018论文精读：如何解决排序学习计算复杂度高这个问题？.html
130丨CVPR 2018论文精读：如何解决排序学习计算复杂度高这个问题？.mp3
130丨CVPR 2018论文精读：如何解决排序学习计算复杂度高这个问题？.pdf
131丨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.html
131丨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.mp3
131丨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.pdf
132丨ICML 2018论文精读：聊一聊机器学习算法的“公平性”问题.html
132丨ICML 2018论文精读：聊一聊机器学习算法的“公平性”问题.mp3
132丨ICML 2018论文精读：聊一聊机器学习算法的“公平性”问题.pdf
133丨ICML 2018论文精读：优化目标函数的时候，有可能放大了“不公平”？.html
133丨ICML 2018论文精读：优化目标函数的时候，有可能放大了“不公平”？.mp3
133丨ICML 2018论文精读：优化目标函数的时候，有可能放大了“不公平”？.pdf
134丨ACL 2018论文精读：问答系统场景下，如何提出好问题？.html
134丨ACL 2018论文精读：问答系统场景下，如何提出好问题？.mp3
134丨ACL 2018论文精读：问答系统场景下，如何提出好问题？.pdf
135丨ACL 2018论文精读：什么是对话中的前提触发？如何检测？.html
135丨ACL 2018论文精读：什么是对话中的前提触发？如何检测？.mp3
135丨ACL 2018论文精读：什么是对话中的前提触发？如何检测？.pdf
136丨ACL 2018论文精读：什么是“端到端”的语义哈希？.html
136丨ACL 2018论文精读：什么是“端到端”的语义哈希？.mp3
136丨ACL 2018论文精读：什么是“端到端”的语义哈希？.pdf
复盘 7丨一起来读人工智能国际顶级会议论文.html
复盘 7丨一起来读人工智能国际顶级会议论文.pdf
+09-热点话题讨论 (7讲)
014丨精读AlphaGo Zero论文.html
014丨精读AlphaGo Zero论文.mp3
014丨精读AlphaGo Zero论文.pdf
059丨2017人工智能技术发展盘点.html
059丨2017人工智能技术发展盘点.mp3
059丨2017人工智能技术发展盘点.pdf
104丨如何快速学习国际顶级学术会议的内容？.html
104丨如何快速学习国际顶级学术会议的内容？.mp3
104丨如何快速学习国际顶级学术会议的内容？.pdf
152丨在人工智能领域，如何快速找到学习的切入点？.html
152丨在人工智能领域，如何快速找到学习的切入点？.mp3
152丨在人工智能领域，如何快速找到学习的切入点？.pdf
153丨人工智能技术选择，该从哪里获得灵感？.html
153丨人工智能技术选择，该从哪里获得灵感？.mp3
153丨人工智能技术选择，该从哪里获得灵感？.pdf
154丨近在咫尺，走进人工智能研究.html
154丨近在咫尺，走进人工智能研究.mp3
154丨近在咫尺，走进人工智能研究.pdf
内参特刊丨和你聊聊每个人都关心的人工智能热点话题.html
内参特刊丨和你聊聊每个人都关心的人工智能热点话题.pdf