AI技术内参，网盘下载(0.98G)

01-开篇词(1讲)[20.14M]

000丨开篇词丨你的360度人工智能信息助理.html[4.78M]

000丨开篇词丨你的360度人工智能信息助理.mp3[2.33M]

000丨开篇词丨你的360度人工智能信息助理.pdf[13.03M]

02-搜索核心技术(28讲)[186.74M]

018丨经典搜索核心算法：TF-IDF及其变种.html[1.16M]

018丨经典搜索核心算法：TF-IDF及其变种.mp3[5.31M]

018丨经典搜索核心算法：TF-IDF及其变种.pdf[1.68M]

019丨经典搜索核心算法：BM25及其变种（内附全年目录）.html[3.45M]

019丨经典搜索核心算法：BM25及其变种（内附全年目录）.mp3[4.48M]

019丨经典搜索核心算法：BM25及其变种（内附全年目录）.pdf[11.11M]

020丨经典搜索核心算法：语言模型及其变种.html[1.29M]

020丨经典搜索核心算法：语言模型及其变种.mp3[4.66M]

020丨经典搜索核心算法：语言模型及其变种.pdf[1.73M]

021丨机器学习排序算法：单点法排序学习.html[1.22M]

021丨机器学习排序算法：单点法排序学习.mp3[4.40M]

021丨机器学习排序算法：单点法排序学习.pdf[1.30M]

022丨机器学习排序算法：配对法排序学习.html[1.03M]

022丨机器学习排序算法：配对法排序学习.mp3[3.97M]

022丨机器学习排序算法：配对法排序学习.pdf[1.14M]

023丨机器学习排序算法：列表法排序学习.html[1.00M]

023丨机器学习排序算法：列表法排序学习.mp3[3.78M]

023丨机器学习排序算法：列表法排序学习.pdf[1.47M]

024丨“查询关键字理解”三部曲之分类.html[1.07M]

024丨“查询关键字理解”三部曲之分类.mp3[4.20M]

024丨“查询关键字理解”三部曲之分类.pdf[1.55M]

025丨“查询关键字理解”三部曲之解析.html[1.11M]

025丨“查询关键字理解”三部曲之解析.mp3[3.65M]

025丨“查询关键字理解”三部曲之解析.pdf[1.24M]

026丨“查询关键字理解”三部曲之扩展.html[1.07M]

026丨“查询关键字理解”三部曲之扩展.mp3[3.45M]

026丨“查询关键字理解”三部曲之扩展.pdf[1.16M]

027丨搜索系统评测，有哪些基础指标？.html[1.06M]

027丨搜索系统评测，有哪些基础指标？.mp3[4.14M]

027丨搜索系统评测，有哪些基础指标？.pdf[1.18M]

028丨搜索系统评测，有哪些高级指标？.html[1.11M]

028丨搜索系统评测，有哪些高级指标？.mp3[3.35M]

028丨搜索系统评测，有哪些高级指标？.pdf[1.18M]

029丨如何评测搜索系统的在线表现？.html[829.08K]

029丨如何评测搜索系统的在线表现？.mp3[3.76M]

029丨如何评测搜索系统的在线表现？.pdf[1.34M]

030丨文档理解第一步：文档分类.html[1.50M]

030丨文档理解第一步：文档分类.mp3[3.92M]

030丨文档理解第一步：文档分类.pdf[1.85M]

031丨文档理解的关键步骤：文档聚类.html[1.10M]

031丨文档理解的关键步骤：文档聚类.mp3[3.41M]

031丨文档理解的关键步骤：文档聚类.pdf[1.55M]

032丨文档理解的重要特例：多模文档建模.html[1.10M]

032丨文档理解的重要特例：多模文档建模.mp3[3.66M]

032丨文档理解的重要特例：多模文档建模.pdf[1.18M]

033丨大型搜索框架宏观视角：发展、特点及趋势.html[1.09M]

033丨大型搜索框架宏观视角：发展、特点及趋势.mp3[3.90M]

033丨大型搜索框架宏观视角：发展、特点及趋势.pdf[1.19M]

034丨多轮打分系统概述.html[0.98M]

034丨多轮打分系统概述.mp3[3.55M]

034丨多轮打分系统概述.pdf[1.11M]

035丨搜索索引及其相关技术概述.html[936.28K]

035丨搜索索引及其相关技术概述.mp3[3.64M]

035丨搜索索引及其相关技术概述.pdf[1.40M]

036丨PageRank算法的核心思想是什么？.html[978.22K]

036丨PageRank算法的核心思想是什么？.mp3[3.69M]

036丨PageRank算法的核心思想是什么？.pdf[1.15M]

037丨经典图算法之HITS.html[1.03M]

037丨经典图算法之HITS.mp3[3.45M]

037丨经典图算法之HITS.pdf[1.49M]

038丨社区检测算法之“模块最大化”.html[944.44K]

038丨社区检测算法之“模块最大化”.mp3[3.12M]

038丨社区检测算法之“模块最大化”.pdf[1.04M]

039丨机器学习排序算法经典模型：RankSVM.html[0.99M]

039丨机器学习排序算法经典模型：RankSVM.mp3[3.64M]

039丨机器学习排序算法经典模型：RankSVM.pdf[1.43M]

040丨机器学习排序算法经典模型：GBDT.html[1.22M]

040丨机器学习排序算法经典模型：GBDT.mp3[3.19M]

040丨机器学习排序算法经典模型：GBDT.pdf[1.34M]

041丨机器学习排序算法经典模型：LambdaMART.html[919.83K]

041丨机器学习排序算法经典模型：LambdaMART.mp3[3.53M]

041丨机器学习排序算法经典模型：LambdaMART.pdf[1.48M]

042丨基于深度学习的搜索算法：深度结构化语义模型.html[1.14M]

042丨基于深度学习的搜索算法：深度结构化语义模型.mp3[3.74M]

042丨基于深度学习的搜索算法：深度结构化语义模型.pdf[1.42M]

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[1.05M]

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[3.09M]

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[1.50M]

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[1.10M]

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[3.56M]

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[1.37M]

复盘1丨搜索核心技术模块.html[2.91M]

复盘1丨搜索核心技术模块.pdf[3.63M]

03-推荐系统核心技术(22讲)[120.34M]

063丨简单推荐模型之一：基于流行度的推荐模型.html[1.26M]

063丨简单推荐模型之一：基于流行度的推荐模型.mp3[4.06M]

063丨简单推荐模型之一：基于流行度的推荐模型.pdf[1.31M]

064丨简单推荐模型之二：基于相似信息的推荐模型.html[930.99K]

064丨简单推荐模型之二：基于相似信息的推荐模型.mp3[3.77M]

064丨简单推荐模型之二：基于相似信息的推荐模型.pdf[1.02M]

065丨简单推荐模型之三：基于内容信息的推荐模型.html[0.99M]

065丨简单推荐模型之三：基于内容信息的推荐模型.mp3[3.48M]

065丨简单推荐模型之三：基于内容信息的推荐模型.pdf[1.10M]

066丨基于隐变量的模型之一：矩阵分解.html[1.02M]

066丨基于隐变量的模型之一：矩阵分解.mp3[3.27M]

066丨基于隐变量的模型之一：矩阵分解.pdf[1.42M]

067丨基于隐变量的模型之二：基于回归的矩阵分解.html[1.07M]

067丨基于隐变量的模型之二：基于回归的矩阵分解.mp3[3.35M]

067丨基于隐变量的模型之二：基于回归的矩阵分解.pdf[1.57M]

068丨基于隐变量的模型之三：分解机.html[1.17M]

068丨基于隐变量的模型之三：分解机.mp3[2.35M]

068丨基于隐变量的模型之三：分解机.pdf[1.18M]

069丨高级推荐模型之一：张量分解模型.html[1.07M]

069丨高级推荐模型之一：张量分解模型.mp3[3.33M]

069丨高级推荐模型之一：张量分解模型.pdf[1.13M]

070丨高级推荐模型之二：协同矩阵分解.html[902.15K]

070丨高级推荐模型之二：协同矩阵分解.mp3[3.19M]

070丨高级推荐模型之二：协同矩阵分解.pdf[1.33M]

071丨高级推荐模型之三：优化复杂目标函数.html[1.01M]

071丨高级推荐模型之三：优化复杂目标函数.mp3[2.84M]

071丨高级推荐模型之三：优化复杂目标函数.pdf[1.45M]

072丨推荐的Exploit和Explore算法之一：EE算法综述.html[994.09K]

072丨推荐的Exploit和Explore算法之一：EE算法综述.mp3[3.65M]

072丨推荐的Exploit和Explore算法之一：EE算法综述.pdf[1.16M]

073丨推荐的Exploit和Explore算法之二：UCB算法.html[969.54K]

073丨推荐的Exploit和Explore算法之二：UCB算法.mp3[3.13M]

073丨推荐的Exploit和Explore算法之二：UCB算法.pdf[1.06M]

074丨推荐的Exploit和Explore算法之三：汤普森采样算法.html[928.67K]

074丨推荐的Exploit和Explore算法之三：汤普森采样算法.mp3[2.97M]

074丨推荐的Exploit和Explore算法之三：汤普森采样算法.pdf[1.00M]

075丨推荐系统评测之一：传统线下评测.html[993.84K]

075丨推荐系统评测之一：传统线下评测.mp3[3.03M]

075丨推荐系统评测之一：传统线下评测.pdf[1.37M]

076丨推荐系统评测之二：线上评测.html[1.16M]

076丨推荐系统评测之二：线上评测.mp3[3.04M]

076丨推荐系统评测之二：线上评测.pdf[1.20M]

077丨推荐系统评测之三：无偏差估计.html[1.03M]

077丨推荐系统评测之三：无偏差估计.mp3[2.90M]

077丨推荐系统评测之三：无偏差估计.pdf[1.07M]

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[1.05M]

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[3.32M]

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[1.53M]

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[1.09M]

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[3.01M]

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[1.17M]

080丨现代推荐架构剖析之三：复杂现代推荐架构漫谈.html[1.14M]

080丨现代推荐架构剖析之三：复杂现代推荐架构漫谈.mp3[2.62M]

080丨现代推荐架构剖析之三：复杂现代推荐架构漫谈.pdf[1.20M]

081丨基于深度学习的推荐模型之一：受限波兹曼机.html[925.96K]

081丨基于深度学习的推荐模型之一：受限波兹曼机.mp3[3.39M]

081丨基于深度学习的推荐模型之一：受限波兹曼机.pdf[1.38M]

082丨基于深度学习的推荐模型之二：基于RNN的推荐系统.html[892.22K]

082丨基于深度学习的推荐模型之二：基于RNN的推荐系统.mp3[3.23M]

082丨基于深度学习的推荐模型之二：基于RNN的推荐系统.pdf[1.34M]

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[990.86K]

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[3.05M]

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[1.07M]

复盘2丨推荐系统核心技术模块.html[2.70M]

复盘2丨推荐系统核心技术模块.pdf[3.22M]

04-自然语言处理及文本处理核心技术(19讲)[100.71M]

007丨LDA模型的前世今生.html[1.19M]

007丨LDA模型的前世今生.mp3[5.26M]

007丨LDA模型的前世今生.pdf[1.29M]

084丨LDA变种模型知多少.html[1.14M]

084丨LDA变种模型知多少.mp3[3.59M]

084丨LDA变种模型知多少.pdf[1.22M]

085丨针对大规模数据，如何优化LDA算法？.html[915.44K]

085丨针对大规模数据，如何优化LDA算法？.mp3[3.50M]

085丨针对大规模数据，如何优化LDA算法？.pdf[1.01M]

086丨基础文本分析模型之一：隐语义分析.html[1.33M]

086丨基础文本分析模型之一：隐语义分析.mp3[2.68M]

086丨基础文本分析模型之一：隐语义分析.pdf[1.36M]

087丨基础文本分析模型之二：概率隐语义分析.html[931.07K]

087丨基础文本分析模型之二：概率隐语义分析.mp3[2.12M]

087丨基础文本分析模型之二：概率隐语义分析.pdf[1.32M]

088丨基础文本分析模型之三：EM算法.html[1.25M]

088丨基础文本分析模型之三：EM算法.mp3[3.08M]

088丨基础文本分析模型之三：EM算法.pdf[1.28M]

089丨为什么需要Word2Vec算法？.html[946.65K]

089丨为什么需要Word2Vec算法？.mp3[2.79M]

089丨为什么需要Word2Vec算法？.pdf[1.03M]

090丨Word2Vec算法有哪些扩展模型？.html[0.98M]

090丨Word2Vec算法有哪些扩展模型？.mp3[2.92M]

090丨Word2Vec算法有哪些扩展模型？.pdf[1.45M]

091丨Word2Vec算法有哪些应用？.html[916.80K]

091丨Word2Vec算法有哪些应用？.mp3[2.60M]

091丨Word2Vec算法有哪些应用？.pdf[1.35M]

092丨序列建模的深度学习利器：RNN基础架构.html[875.84K]

092丨序列建模的深度学习利器：RNN基础架构.mp3[3.21M]

092丨序列建模的深度学习利器：RNN基础架构.pdf[1.31M]

093丨基于门机制的RNN架构：LSTM与GRU.html[1.08M]

093丨基于门机制的RNN架构：LSTM与GRU.mp3[3.35M]

093丨基于门机制的RNN架构：LSTM与GRU.pdf[1.14M]

094丨RNN在自然语言处理中有哪些应用场景？.html[887.55K]

094丨RNN在自然语言处理中有哪些应用场景？.mp3[3.04M]

094丨RNN在自然语言处理中有哪些应用场景？.pdf[0.99M]

095丨对话系统之经典的对话模型.html[926.53K]

095丨对话系统之经典的对话模型.mp3[3.39M]

095丨对话系统之经典的对话模型.pdf[1.42M]

096丨任务型对话系统有哪些技术要点？.html[948.08K]

096丨任务型对话系统有哪些技术要点？.mp3[2.85M]

096丨任务型对话系统有哪些技术要点？.pdf[1.02M]

097丨聊天机器人有哪些核心技术要点？.html[975.41K]

097丨聊天机器人有哪些核心技术要点？.mp3[2.58M]

097丨聊天机器人有哪些核心技术要点？.pdf[1.05M]

098丨什么是文档情感分类？.html[1.00M]

098丨什么是文档情感分类？.mp3[2.91M]

098丨什么是文档情感分类？.pdf[1.08M]

099丨如何来提取情感“实体”和“方面”呢？.html[1.00M]

099丨如何来提取情感“实体”和“方面”呢？.mp3[2.72M]

099丨如何来提取情感“实体”和“方面”呢？.pdf[1.08M]

100丨文本情感分析中如何做意见总结和搜索？.html[947.06K]

100丨文本情感分析中如何做意见总结和搜索？.mp3[2.99M]

100丨文本情感分析中如何做意见总结和搜索？.pdf[1.05M]

复盘3丨自然语言处理及文本处理核心技术模块.html[2.63M]

复盘3丨自然语言处理及文本处理核心技术模块.pdf[3.02M]

05-广告系统核心技术(19讲)[103.29M]

006丨Google的点击率系统模型.html[1.30M]

006丨Google的点击率系统模型.mp3[4.65M]

006丨Google的点击率系统模型.pdf[1.39M]

105丨广告系统概述.html[1.44M]

105丨广告系统概述.mp3[3.72M]

105丨广告系统概述.pdf[1.87M]

106丨广告系统架构.html[971.67K]

106丨广告系统架构.mp3[2.76M]

106丨广告系统架构.pdf[1.04M]

107丨广告回馈预估综述.html[905.50K]

107丨广告回馈预估综述.mp3[3.07M]

107丨广告回馈预估综述.pdf[1.01M]

108丨Facebook的广告点击率预估模型.html[1.21M]

108丨Facebook的广告点击率预估模型.mp3[3.02M]

108丨Facebook的广告点击率预估模型.pdf[1.24M]

109丨雅虎的广告点击率预估模型.html[1.03M]

109丨雅虎的广告点击率预估模型.mp3[2.72M]

109丨雅虎的广告点击率预估模型.pdf[1.47M]

110丨LinkedIn的广告点击率预估模型.html[1.13M]

110丨LinkedIn的广告点击率预估模型.mp3[2.45M]

110丨LinkedIn的广告点击率预估模型.pdf[1.19M]

111丨Twitter的广告点击率预估模型.html[1.06M]

111丨Twitter的广告点击率预估模型.mp3[3.25M]

111丨Twitter的广告点击率预估模型.pdf[1.13M]

112丨阿里巴巴的广告点击率预估模型.html[977.66K]

112丨阿里巴巴的广告点击率预估模型.mp3[3.28M]

112丨阿里巴巴的广告点击率预估模型.pdf[1.42M]

113丨什么是“基于第二价位的广告竞拍”？.html[1.10M]

113丨什么是“基于第二价位的广告竞拍”？.mp3[3.08M]

113丨什么是“基于第二价位的广告竞拍”？.pdf[1.50M]

114丨广告的竞价策略是怎样的？.html[863.65K]

114丨广告的竞价策略是怎样的？.mp3[3.22M]

114丨广告的竞价策略是怎样的？.pdf[1.01M]

115丨如何优化广告的竞价策略？.html[878.19K]

115丨如何优化广告的竞价策略？.mp3[2.89M]

115丨如何优化广告的竞价策略？.pdf[1.32M]

116丨如何控制广告预算？.html[1.02M]

116丨如何控制广告预算？.mp3[2.39M]

116丨如何控制广告预算？.pdf[1.09M]

117丨如何设置广告竞价的底价？.html[0.99M]

117丨如何设置广告竞价的底价？.mp3[3.01M]

117丨如何设置广告竞价的底价？.pdf[1.47M]

118丨聊一聊“程序化直接购买”和“广告期货”.html[1.11M]

118丨聊一聊“程序化直接购买”和“广告期货”.mp3[2.79M]

118丨聊一聊“程序化直接购买”和“广告期货”.pdf[1.52M]

119丨归因模型：如何来衡量广告的有效性.html[0.99M]

119丨归因模型：如何来衡量广告的有效性.mp3[3.07M]

119丨归因模型：如何来衡量广告的有效性.pdf[1.46M]

120丨广告投放如何选择受众？如何扩展受众群？.html[908.90K]

120丨广告投放如何选择受众？如何扩展受众群？.mp3[2.95M]

120丨广告投放如何选择受众？如何扩展受众群？.pdf[1.36M]

121丨如何利用机器学习技术来检测广告欺诈？.html[959.79K]

121丨如何利用机器学习技术来检测广告欺诈？.mp3[2.93M]

121丨如何利用机器学习技术来检测广告欺诈？.pdf[1.05M]

复盘4丨广告系统核心技术模块.html[2.92M]

复盘4丨广告系统核心技术模块.pdf[2.91M]

06-计算机视觉核心技术(13讲)[68.74M]

140丨什么是计算机视觉？.html[916.53K]

140丨什么是计算机视觉？.mp3[3.42M]

140丨什么是计算机视觉？.pdf[1.39M]

141丨掌握计算机视觉任务的基础模型和操作.html[987.50K]

141丨掌握计算机视觉任务的基础模型和操作.mp3[2.86M]

141丨掌握计算机视觉任务的基础模型和操作.pdf[1.08M]

142丨计算机视觉中的特征提取难在哪里？.html[989.87K]

142丨计算机视觉中的特征提取难在哪里？.mp3[2.84M]

142丨计算机视觉中的特征提取难在哪里？.pdf[1.07M]

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[1.29M]

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[3.28M]

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[1.67M]

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[866.11K]

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[3.58M]

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[1.33M]

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[987.85K]

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[3.47M]

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[1.46M]

146丨计算机视觉领域的深度学习模型（一）：AlexNet.html[910.26K]

146丨计算机视觉领域的深度学习模型（一）：AlexNet.mp3[3.12M]

146丨计算机视觉领域的深度学习模型（一）：AlexNet.pdf[1.38M]

147丨计算机视觉领域的深度学习模型（二）：VGG&GoogleNet.html[1.33M]

147丨计算机视觉领域的深度学习模型（二）：VGG&GoogleNet.mp3[3.40M]

147丨计算机视觉领域的深度学习模型（二）：VGG&GoogleNet.pdf[1.71M]

148丨计算机视觉领域的深度学习模型（三）：ResNet.html[1.07M]

148丨计算机视觉领域的深度学习模型（三）：ResNet.mp3[2.59M]

148丨计算机视觉领域的深度学习模型（三）：ResNet.pdf[1.15M]

149丨计算机视觉高级话题（一）：图像物体识别和分割.html[919.13K]

149丨计算机视觉高级话题（一）：图像物体识别和分割.mp3[2.70M]

149丨计算机视觉高级话题（一）：图像物体识别和分割.pdf[1.00M]

150丨计算机视觉高级话题（二）：视觉问答.html[841.56K]

150丨计算机视觉高级话题（二）：视觉问答.mp3[2.35M]

150丨计算机视觉高级话题（二）：视觉问答.pdf[986.07K]

151丨计算机视觉高级话题（三）：产生式模型.html[949.49K]

151丨计算机视觉高级话题（三）：产生式模型.mp3[2.81M]

151丨计算机视觉高级话题（三）：产生式模型.pdf[1.38M]

复盘5丨计算机视觉核心技术模块.html[2.23M]

复盘5丨计算机视觉核心技术模块.pdf[2.62M]

07-数据科学家与数据科学团队养成(25讲)[170.33M]

001丨如何组建一个数据科学团队？.html[1.46M]

001丨如何组建一个数据科学团队？.mp3[5.24M]

001丨如何组建一个数据科学团队？.pdf[1.89M]

003丨数据科学家基础能力之概率统计.html[1.59M]

003丨数据科学家基础能力之概率统计.mp3[4.75M]

003丨数据科学家基础能力之概率统计.pdf[1.68M]

004丨数据科学家基础能力之机器学习.html[2.36M]

004丨数据科学家基础能力之机器学习.mp3[5.47M]

004丨数据科学家基础能力之机器学习.pdf[2.20M]

005丨数据科学家基础能力之系统.html[1.56M]

005丨数据科学家基础能力之系统.mp3[4.52M]

005丨数据科学家基础能力之系统.pdf[1.56M]

008丨曾经辉煌的雅虎研究院.html[1.36M]

008丨曾经辉煌的雅虎研究院.mp3[4.91M]

008丨曾经辉煌的雅虎研究院.pdf[1.89M]

009丨数据科学家高阶能力之分析产品.html[1.38M]

009丨数据科学家高阶能力之分析产品.mp3[4.82M]

009丨数据科学家高阶能力之分析产品.pdf[1.85M]

010丨数据科学家高阶能力之评估产品.html[988.45K]

010丨数据科学家高阶能力之评估产品.mp3[5.29M]

010丨数据科学家高阶能力之评估产品.pdf[1.44M]

011丨数据科学家高阶能力之如何系统提升产品性能.html[1.03M]

011丨数据科学家高阶能力之如何系统提升产品性能.mp3[4.41M]

011丨数据科学家高阶能力之如何系统提升产品性能.pdf[1.16M]

045丨职场话题：当数据科学家遇见产品团队.html[1.01M]

045丨职场话题：当数据科学家遇见产品团队.mp3[3.87M]

045丨职场话题：当数据科学家遇见产品团队.pdf[1.51M]

046丨职场话题：数据科学家应聘要具备哪些能力？.html[1.06M]

046丨职场话题：数据科学家应聘要具备哪些能力？.mp3[4.24M]

046丨职场话题：数据科学家应聘要具备哪些能力？.pdf[1.58M]

047丨职场话题：聊聊数据科学家的职场规划.html[985.48K]

047丨职场话题：聊聊数据科学家的职场规划.mp3[3.92M]

047丨职场话题：聊聊数据科学家的职场规划.pdf[1.43M]

054丨数据科学团队养成：电话面试指南.html[1.04M]

054丨数据科学团队养成：电话面试指南.mp3[3.97M]

054丨数据科学团队养成：电话面试指南.pdf[1.15M]

055丨数据科学团队养成：Onsite面试面面观.html[0.99M]

055丨数据科学团队养成：Onsite面试面面观.mp3[3.54M]

055丨数据科学团队养成：Onsite面试面面观.pdf[1.50M]

056丨成为“香饽饽”的数据科学家，如何衡量他们的工作呢？.html[1.03M]

056丨成为“香饽饽”的数据科学家，如何衡量他们的工作呢？.mp3[3.72M]

056丨成为“香饽饽”的数据科学家，如何衡量他们的工作呢？.pdf[1.16M]

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[1.05M]

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[3.87M]

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[1.54M]

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[1.34M]

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[3.67M]

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[1.74M]

122丨数据科学家必备套路之一：搜索套路.html[1.00M]

122丨数据科学家必备套路之一：搜索套路.mp3[4.27M]

122丨数据科学家必备套路之一：搜索套路.pdf[1.13M]

123丨数据科学家必备套路之二：推荐套路.html[967.76K]

123丨数据科学家必备套路之二：推荐套路.mp3[3.61M]

123丨数据科学家必备套路之二：推荐套路.pdf[1.40M]

124丨数据科学家必备套路之三：广告套路.html[987.47K]

124丨数据科学家必备套路之三：广告套路.mp3[3.17M]

124丨数据科学家必备套路之三：广告套路.pdf[1.41M]

137丨如何做好人工智能项目的管理？.html[892.96K]

137丨如何做好人工智能项目的管理？.mp3[3.43M]

137丨如何做好人工智能项目的管理？.pdf[1.02M]

138丨数据科学团队必备的工程流程三部曲.html[0.98M]

138丨数据科学团队必备的工程流程三部曲.mp3[3.73M]

138丨数据科学团队必备的工程流程三部曲.pdf[1.48M]

139丨数据科学团队怎么选择产品和项目？.html[893.60K]

139丨数据科学团队怎么选择产品和项目？.mp3[3.41M]

139丨数据科学团队怎么选择产品和项目？.pdf[1.35M]

155丨微软研究院：工业界研究机构的楷模.html[1.00M]

155丨微软研究院：工业界研究机构的楷模.mp3[3.86M]

155丨微软研究院：工业界研究机构的楷模.pdf[1.50M]

156丨聊一聊谷歌特立独行的混合型研究.html[790.17K]

156丨聊一聊谷歌特立独行的混合型研究.mp3[2.97M]

156丨聊一聊谷歌特立独行的混合型研究.pdf[1.30M]

复盘6丨数据科学家与数据科学团队是怎么养成的？.html[3.89M]

复盘6丨数据科学家与数据科学团队是怎么养成的？.pdf[4.30M]

08-人工智能国际顶级会议(31讲)[186.98M]

002丨聊聊2017年KDD大会的时间检验奖.html[1.72M]

002丨聊聊2017年KDD大会的时间检验奖.mp3[5.11M]

002丨聊聊2017年KDD大会的时间检验奖.pdf[2.08M]

012丨精读2017年KDD最佳研究论文.html[1.28M]

012丨精读2017年KDD最佳研究论文.mp3[4.91M]

012丨精读2017年KDD最佳研究论文.pdf[1.73M]

013丨精读2017年KDD最佳应用数据科学论文.html[973.96K]

013丨精读2017年KDD最佳应用数据科学论文.mp3[4.52M]

013丨精读2017年KDD最佳应用数据科学论文.pdf[1.16M]

015丨精读2017年EMNLP最佳长论文之一.html[1.02M]

015丨精读2017年EMNLP最佳长论文之一.mp3[4.04M]

015丨精读2017年EMNLP最佳长论文之一.pdf[1.15M]

016丨精读2017年EMNLP最佳长论文之二.html[1.18M]

016丨精读2017年EMNLP最佳长论文之二.mp3[4.10M]

016丨精读2017年EMNLP最佳长论文之二.pdf[1.61M]

017丨精读2017年EMNLP最佳短论文.html[1.21M]

017丨精读2017年EMNLP最佳短论文.mp3[4.38M]

017丨精读2017年EMNLP最佳短论文.pdf[1.30M]

048丨精读2017年ICCV最佳研究论文.html[995.78K]

048丨精读2017年ICCV最佳研究论文.mp3[4.25M]

048丨精读2017年ICCV最佳研究论文.pdf[1.55M]

049丨精读2017年ICCV最佳学生论文.html[880.42K]

049丨精读2017年ICCV最佳学生论文.mp3[3.39M]

049丨精读2017年ICCV最佳学生论文.pdf[1.40M]

050丨如何将“深度强化学习”应用到视觉问答系统？.html[986.84K]

050丨如何将“深度强化学习”应用到视觉问答系统？.mp3[3.74M]

050丨如何将“深度强化学习”应用到视觉问答系统？.pdf[1.10M]

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[1.00M]

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[3.43M]

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[1.53M]

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[1.02M]

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[3.48M]

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[1.14M]

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[0.98M]

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[3.19M]

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[1.46M]

060丨WSDM2018论文精读：看谷歌团队如何做位置偏差估计.html[985.12K]

060丨WSDM2018论文精读：看谷歌团队如何做位置偏差估计.mp3[4.17M]

060丨WSDM2018论文精读：看谷歌团队如何做位置偏差估计.pdf[1.50M]

061丨WSDM2018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[998.21K]

061丨WSDM2018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[3.68M]

061丨WSDM2018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[1.19M]

062丨WSDM2018论文精读：深度学习模型中如何使用上下文信息？.html[0.99M]

062丨WSDM2018论文精读：深度学习模型中如何使用上下文信息？.mp3[2.34M]

062丨WSDM2018论文精读：深度学习模型中如何使用上下文信息？.pdf[1.43M]

101丨TheWeb2018论文精读：如何对商品的图片美感进行建模？.html[1.02M]

101丨TheWeb2018论文精读：如何对商品的图片美感进行建模？.mp3[3.69M]

101丨TheWeb2018论文精读：如何对商品的图片美感进行建模？.pdf[1.13M]

102丨TheWeb2018论文精读：如何改进经典的推荐算法BPR？.html[1.01M]

102丨TheWeb2018论文精读：如何改进经典的推荐算法BPR？.mp3[2.72M]

102丨TheWeb2018论文精读：如何改进经典的推荐算法BPR？.pdf[1.07M]

103丨TheWeb2018论文精读：如何从文本中提取高元关系？.html[1.06M]

103丨TheWeb2018论文精读：如何从文本中提取高元关系？.mp3[2.80M]

103丨TheWeb2018论文精读：如何从文本中提取高元关系？.pdf[1.14M]

125丨SIGIR2018论文精读：偏差和“流行度”之间的关系.html[981.99K]

125丨SIGIR2018论文精读：偏差和“流行度”之间的关系.mp3[3.95M]

125丨SIGIR2018论文精读：偏差和“流行度”之间的关系.pdf[1.13M]

126丨SIGIR2018论文精读：如何利用对抗学习来增强排序模型的普适性？.html[972.55K]

126丨SIGIR2018论文精读：如何利用对抗学习来增强排序模型的普适性？.mp3[3.21M]

126丨SIGIR2018论文精读：如何利用对抗学习来增强排序模型的普适性？.pdf[1.42M]

127丨SIGIR2018论文精读：如何对搜索页面上的点击行为进行序列建模？.html[1.01M]

127丨SIGIR2018论文精读：如何对搜索页面上的点击行为进行序列建模？.mp3[3.33M]

127丨SIGIR2018论文精读：如何对搜索页面上的点击行为进行序列建模？.pdf[1.46M]

128丨CVPR2018论文精读：如何研究计算机视觉任务之间的关系？.html[1.04M]

128丨CVPR2018论文精读：如何研究计算机视觉任务之间的关系？.mp3[3.72M]

128丨CVPR2018论文精读：如何研究计算机视觉任务之间的关系？.pdf[1.16M]

129丨CVPR2018论文精读：如何从整体上对人体进行三维建模？.html[820.14K]

129丨CVPR2018论文精读：如何从整体上对人体进行三维建模？.mp3[2.98M]

129丨CVPR2018论文精读：如何从整体上对人体进行三维建模？.pdf[994.64K]

130丨CVPR2018论文精读：如何解决排序学习计算复杂度高这个问题？.html[879.56K]

130丨CVPR2018论文精读：如何解决排序学习计算复杂度高这个问题？.mp3[3.26M]

130丨CVPR2018论文精读：如何解决排序学习计算复杂度高这个问题？.pdf[1.33M]

131丨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.html[769.71K]

131丨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.mp3[3.50M]

131丨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.pdf[973.46K]

132丨ICML2018论文精读：聊一聊机器学习算法的“公平性”问题.html[1.01M]

132丨ICML2018论文精读：聊一聊机器学习算法的“公平性”问题.mp3[3.04M]

132丨ICML2018论文精读：聊一聊机器学习算法的“公平性”问题.pdf[1.40M]

133丨ICML2018论文精读：优化目标函数的时候，有可能放大了“不公平”？.html[903.76K]

133丨ICML2018论文精读：优化目标函数的时候，有可能放大了“不公平”？.mp3[2.98M]

133丨ICML2018论文精读：优化目标函数的时候，有可能放大了“不公平”？.pdf[1.03M]

134丨ACL2018论文精读：问答系统场景下，如何提出好问题？.html[1.08M]

134丨ACL2018论文精读：问答系统场景下，如何提出好问题？.mp3[3.61M]

134丨ACL2018论文精读：问答系统场景下，如何提出好问题？.pdf[1.17M]

135丨ACL2018论文精读：什么是对话中的前提触发？如何检测？.html[842.32K]

135丨ACL2018论文精读：什么是对话中的前提触发？如何检测？.mp3[3.48M]

135丨ACL2018论文精读：什么是对话中的前提触发？如何检测？.pdf[1.33M]

136丨ACL2018论文精读：什么是“端到端”的语义哈希？.html[946.26K]

136丨ACL2018论文精读：什么是“端到端”的语义哈希？.mp3[3.43M]

136丨ACL2018论文精读：什么是“端到端”的语义哈希？.pdf[1.40M]

复盘7丨一起来读人工智能国际顶级会议论文.html[4.57M]

复盘7丨一起来读人工智能国际顶级会议论文.pdf[4.31M]

09-热点话题讨论(7讲)[41.52M]

014丨精读AlphaGoZero论文.html[1.31M]

014丨精读AlphaGoZero论文.mp3[4.58M]

014丨精读AlphaGoZero论文.pdf[1.37M]

059丨2017人工智能技术发展盘点.html[1.47M]

059丨2017人工智能技术发展盘点.mp3[4.11M]

059丨2017人工智能技术发展盘点.pdf[1.58M]

104丨如何快速学习国际顶级学术会议的内容？.html[961.55K]

104丨如何快速学习国际顶级学术会议的内容？.mp3[3.76M]

104丨如何快速学习国际顶级学术会议的内容？.pdf[1.48M]

152丨在人工智能领域，如何快速找到学习的切入点？.html[1.01M]

152丨在人工智能领域，如何快速找到学习的切入点？.mp3[3.50M]

152丨在人工智能领域，如何快速找到学习的切入点？.pdf[1.48M]

153丨人工智能技术选择，该从哪里获得灵感？.html[869.59K]

153丨人工智能技术选择，该从哪里获得灵感？.mp3[3.10M]

153丨人工智能技术选择，该从哪里获得灵感？.pdf[1.02M]

154丨近在咫尺，走进人工智能研究.html[1.00M]

154丨近在咫尺，走进人工智能研究.mp3[3.54M]

154丨近在咫尺，走进人工智能研究.pdf[1.48M]

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[1.75M]

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[2.20M]

10-结束语(1讲)[5.06M]

结束语丨雄关漫道真如铁，而今迈步从头越.html[1.27M]

结束语丨雄关漫道真如铁，而今迈步从头越.mp3[2.29M]

结束语丨雄关漫道真如铁，而今迈步从头越.pdf[1.50M]