極客時間出品的《AI技術內參》由洪亮劼所作，洪亮劼是Etsy資料科學主管，前雅虎研究院資深科學家。本專欄講你的360度人工智慧資訊助理。
《AI技術內參》專欄簡介
人工智慧科學家吳恩達反覆強調，“AI is the new electricity” 。今天的人工智慧，猶如一百年前的電，正在給人類帶來同樣巨大，甚至更加精彩的變化。
毋庸置疑，這是一個屬於人工智慧的時代。人工智慧正在滲透到各行各業，並且離我們越來越近，新的時代中，我們應該如何利用好新武器？
“AI技術內參”專欄將為你係統剖析人工智慧核心技術，精講人工智慧國際頂級學術會議核心論文，解讀技術發展前沿與最新研究成果，分享資料科學家以及資料科學團隊的養成祕笈。希望能夠幫助你在人工智慧領域找到最佳學習路徑，不斷進階。
《AI技術內參》講師介紹
洪亮劼，電子商務平臺Etsy資料科學主管，前雅虎研究院高階研發經理。長期從事機器學習與人工智慧的基礎以及應用研究，對推薦系統、搜尋引擎、計算廣告學、社交網路以及自然語言處理等領域有非常深入的理解。
他在國際頂級學術會議中發表重要論文20餘篇，文章引用量超過2100次（H-Index：17）。長期擔任多個國際著名會議及期刊的評審委員會成員和審稿人，並且組織過多個關於推薦、搜尋、使用者體驗優化的國際研討會，擁有3項美國專利。
洪亮劼有豐富的學術研究和工業界實踐經驗，這些經驗給予他全面、獨特的視角，和他一起看懂人工智慧，也是這個專欄的初心。
《AI技術內參》模組
“AI技術內參”專欄精心打磨了四大模組，具體如下：
模組一：人工智慧國際頂級學術會議深入解讀與技術展望（10周左右）
精選10個國際人工智慧頂級學術會議，剖析其論文精髓，解讀最新技術成果，全覽人工智慧發展趨勢。模組中包含的頂級會議有機器學習方面的ICML、NIPS；機器視覺方面的CVPR、ICCV；自然語言處理方面的ACL、EMNLP；資料探勘和資料科學方面的KDD、WSDM；資訊檢索和搜尋方面的SIGIR；網際網路綜合方面的WWW。
模組二：人工智慧核心技術剖析（32周左右）
分專題講解人工智慧和機器學習的核心技術，幫你撥開層層迷霧，快速入門。這其中包括搜尋核心技術、推薦系統核心技術、廣告系統核心技術、自然語言處理及文字處理核心技術、計算機視覺核心技術等。
模組三：人工智慧工程師、科學家的養成和人工智慧團隊的構建（8周左右）
國內外各大公司都在紛紛組建自己的人工智慧團隊，洪亮劼將結合個人經歷，分享人工智慧團隊的組建以及運作經驗。另外，針對立志成為資料科學家或者人工智慧科學家的同學，他將會梳理對應的技能圖譜以及知識脈絡，並進行系統剖析。
模組四：人工智慧業界熱點（2周左右）
在這整個一年的課程當中，相信會有很多的與人工智慧相關的行業或者技術熱點出現。洪亮劼也會結合這些熱點，即時解讀最新的業界動態，探討最新的研究成果，分享個人洞見。
《AI技術內參》課程目錄
開篇詞 (1講)
開篇詞 | 你的360度人工智慧資訊助理
搜尋核心技術 (28講)
018 | 經典搜尋核心演算法：TF-IDF及其變種
019 | 經典搜尋核心演算法：BM25及其變種（內附全年目錄）
020 | 經典搜尋核心演算法：語言模型及其變種
021 | 機器學習排序演算法：單點法排序學習
022 | 機器學習排序演算法：配對法排序學習
023 | 機器學習排序演算法：列表法排序學習
024 | “查詢關鍵字理解”三部曲之分類
025 | “查詢關鍵字理解”三部曲之解析
026 | “查詢關鍵字理解”三部曲之擴充套件
027 | 搜尋系統評測，有哪些基礎指標？
028 | 搜尋系統評測，有哪些高階指標？
029 | 如何評測搜尋系統的線上表現？
030 | 文件理解第一步：文件分類
031 | 文件理解的關鍵步驟：文件聚類
032 | 文件理解的重要特例：多模文件建模
033 | 大型搜尋框架巨集觀視角：發展、特點及趨勢
034 | 多輪打分系統概述
035 | 搜尋索引及其相關技術概述
036 | PageRank演算法的核心思想是什麼？
037 | 經典圖演算法之HITS
038 | 社群檢測演算法之“模組最大化 ”
039 | 機器學習排序演算法經典模型：RankSVM
040 | 機器學習排序演算法經典模型：GBDT
041 | 機器學習排序演算法經典模型：LambdaMART
042 | 基於深度學習的搜尋演算法：深度結構化語義模型
043 | 基於深度學習的搜尋演算法：卷積結構下的隱含語義模型
044 | 基於深度學習的搜尋演算法：區域性和分佈表徵下的搜尋模型
覆盤 1 | 搜尋核心技術模組
推薦系統核心技術 (22講)
063 | 簡單推薦模型之一：基於流行度的推薦模型
064 | 簡單推薦模型之二：基於相似資訊的推薦模型
065 | 簡單推薦模型之三：基於內容資訊的推薦模型
066 | 基於隱變數的模型之一：矩陣分解
067 | 基於隱變數的模型之二：基於迴歸的矩陣分解
068 | 基於隱變數的模型之三：分解機
069 | 高階推薦模型之一：張量分解模型
070 | 高階推薦模型之二：協同矩陣分解
071 | 高階推薦模型之三：優化複雜目標函式
072 | 推薦的Exploit和Explore演算法之一：EE演算法綜述
073 | 推薦的Exploit和Explore演算法之二：UCB演算法
074 | 推薦的Exploit和Explore演算法之三：湯普森取樣演算法
075 | 推薦系統評測之一：傳統線下評測
076 | 推薦系統評測之二：線上評測
077 | 推薦系統評測之三：無偏差估計
078 | 現代推薦架構剖析之一：基於線下離線計算的推薦架構
079 | 現代推薦架構剖析之二：基於多層搜尋架構的推薦系統
080 | 現代推薦架構剖析之三：複雜現代推薦架構漫談
081 | 基於深度學習的推薦模型之一：受限波茲曼機
082 | 基於深度學習的推薦模型之二：基於RNN的推薦系統
083 | 基於深度學習的推薦模型之三：利用深度學習來擴充套件推薦系統
覆盤 2 | 推薦系統核心技術模組
自然語言處理及文字處理核心技術 (19講)
007 | LDA模型的前世今生
084 | LDA變種模型知多少
085 | 針對大規模資料，如何優化LDA演算法？
086 | 基礎文字分析模型之一：隱語義分析
087 | 基礎文字分析模型之二：概率隱語義分析
088 | 基礎文字分析模型之三：EM演算法
089 | 為什麼需要Word2Vec演算法？
090 | Word2Vec演算法有哪些擴充套件模型？
091 | Word2Vec演算法有哪些應用？
092 | 序列建模的深度學習利器：RNN基礎架構
093 | 基於門機制的RNN架構：LSTM與GRU
094 | RNN在自然語言處理中有哪些應用場景？
095 | 對話系統之經典的對話模型
096 | 任務型對話系統有哪些技術要點？
097 | 聊天機器人有哪些核心技術要點？
098 | 什麼是文件情感分類？
099 | 如何來提取情感“實體”和“方面”呢？
100 | 文字情感分析中如何做意見總結和搜尋？
覆盤 3 | 自然語言處理及文字處理核心技術模組
廣告系統核心技術 (19講)
006 | Google的點選率系統模型
105 | 廣告系統概述
106 | 廣告系統架構
107 | 廣告回饋預估綜述
108 | Facebook的廣告點選率預估模型
109 | 雅虎的廣告點選率預估模型
110 | LinkedIn的廣告點選率預估模型
111 | Twitter的廣告點選率預估模型
112 | 阿里巴巴的廣告點選率預估模型
113 | 什麼是“基於第二價位的廣告競拍”？
114 | 廣告的競價策略是怎樣的？
115 | 如何優化廣告的競價策略？
116 | 如何控制廣告預算？
117 | 如何設定廣告競價的底價？
118 | 聊一聊“程式化直接購買”和“廣告期貨”
119 | 歸因模型：如何來衡量廣告的有效性
120 | 廣告投放如何選擇受眾？如何擴充套件受眾群？
121 | 如何利用機器學習技術來檢測廣告欺詐？
覆盤 4 | 廣告系統核心技術模組
計算機視覺核心技術 (13講)
140 | 什麼是計算機視覺？
141 | 掌握計算機視覺任務的基礎模型和操作
142 | 計算機視覺中的特徵提取難在哪裡？
143 | 基於深度學習的計算機視覺技術（一）：深度神經網路入門
144 | 基於深度學習的計算機視覺技術（二）：基本的深度學習模型
145 | 基於深度學習的計算機視覺技術（三）：深度學習模型的優化
146 | 計算機視覺領域的深度學習模型（一）：AlexNet
147 | 計算機視覺領域的深度學習模型（二）：VGG & GoogleNet
148 | 計算機視覺領域的深度學習模型（三）：ResNet
149 | 計算機視覺高階話題（一）：影像物體識別和分割
150 | 計算機視覺高階話題（二）：視覺問答
151 | 計算機視覺高階話題（三）：產生式模型
覆盤 5 | 計算機視覺核心技術模組
資料科學家與資料科學團隊養成 (25講)
001 | 如何組建一個資料科學團隊？
003 | 資料科學家基礎能力之概率統計
004 | 資料科學家基礎能力之機器學習
005 | 資料科學家基礎能力之系統
008 | 曾經輝煌的雅虎研究院
009 | 資料科學家高階能力之分析產品
010 | 資料科學家高階能力之評估產品
011 | 資料科學家高階能力之如何系統提升產品效能
045 | 職場話題：當資料科學家遇見產品團隊
046 | 職場話題：資料科學家應聘要具備哪些能力？
047 | 職場話題：聊聊資料科學家的職場規劃
054 | 資料科學團隊養成：電話面試指南
055 | 資料科學團隊養成：Onsite面試面面觀
056 | 成為“香餑餑”的資料科學家，如何衡量他們的工作呢？
057 | 人工智慧領域知識體系更新週期只有5～6年，資料科學家如何培養？
058 | 資料科學家團隊組織架構：水平還是垂直，這是個問題
122 | 資料科學家必備套路之一：搜尋套路
123 | 資料科學家必備套路之二：推薦套路
124 | 資料科學家必備套路之三：廣告套路
137 | 如何做好人工智慧專案的管理？
138 | 資料科學團隊必備的工程流程三部曲
139 | 資料科學團隊怎麼選擇產品和專案？
155 | 微軟研究院：工業界研究機構的楷模
156 | 聊一聊谷歌特立獨行的混合型研究
覆盤 6 | 資料科學家與資料科學團隊是怎麼養成的？
人工智慧國際頂級會議 (31講)
002 | 聊聊2017年KDD大會的時間檢驗獎
012 | 精讀2017年KDD最佳研究論文
013 | 精讀2017年KDD最佳應用資料科學論文
015 | 精讀2017年EMNLP最佳長論文之一
016 | 精讀2017年EMNLP最佳長論文之二
017 | 精讀2017年EMNLP最佳短論文
048 | 精讀2017年ICCV最佳研究論文
049 | 精讀2017年ICCV最佳學生論文
050 | 如何將“深度強化學習”應用到視覺問答系統？
051 | 精讀2017年NIPS最佳研究論文之一：如何解決非凸優化問題？
052 | 精讀2017年NIPS最佳研究論文之二：KSD測試如何檢驗兩個分佈的異同？
053 | 精讀2017年NIPS最佳研究論文之三：如何解決非完美資訊博弈問題？
060 | WSDM 2018論文精讀：看谷歌團隊如何做位置偏差估計
061 | WSDM 2018論文精讀：看京東團隊如何挖掘商品的替代資訊和互補資訊
062 | WSDM 2018論文精讀：深度學習模型中如何使用上下文資訊？
101 | The Web 2018論文精讀：如何對商品的圖片美感進行建模？
102 | The Web 2018論文精讀：如何改進經典的推薦演算法BPR？
103 | The Web 2018論文精讀：如何從文字中提取高元關係？
125 | SIGIR 2018論文精讀：偏差和“流行度”之間的關係
126 | SIGIR 2018論文精讀：如何利用對抗學習來增強排序模型的普適性？
127 | SIGIR 2018論文精讀：如何對搜尋頁面上的點選行為進行序列建模？
128 | CVPR 2018論文精讀：如何研究計算機視覺任務之間的關係？
129 | CVPR 2018論文精讀：如何從整體上對人體進行三維建模？
130 | CVPR 2018論文精讀：如何解決排序學習計算複雜度高這個問題？
131 | ICML 2018論文精讀：模型經得起對抗樣本的攻擊？這或許只是個錯覺
132 | ICML 2018論文精讀：聊一聊機器學習演算法的“公平性”問題
133 | ICML 2018論文精讀：優化目標函式的時候，有可能放大了“不公平”？
134 | ACL 2018論文精讀：問答系統場景下，如何提出好問題？
135 | ACL 2018論文精讀：什麼是對話中的前提觸發？如何檢測？
136 | ACL 2018論文精讀：什麼是“端到端”的語義雜湊？
覆盤 7 | 一起來讀人工智慧國際頂級會議論文
熱點話題討論 (7講)
014 | 精讀AlphaGo Zero論文
內參特刊 | 和你聊聊每個人都關心的人工智慧熱點話題
059 | 2017人工智慧技術發展盤點
104 | 如何快速學習國際頂級學術會議的內容？
152 | 在人工智慧領域，如何快速找到學習的切入點？
153 | 人工智慧技術選擇，該從哪裡獲得靈感？
154 | 近在咫尺，走進人工智慧研究
結束語 (1講)
結束語 | 雄關漫道真如鐵，而今邁步從頭越
你將收穫：
- 系統學習人工智慧、機器學習核心技術，檢測自身知識框架，升級技術能力，提升自我價值；
- 瞭解人工智慧、機器學習頂級會議動態，培養閱讀頂級學術論文的獨特視角，擴充視野；
- 洞悉人工智慧發展前沿，抓住人工智慧熱點，運用AI思維方式，享受到技術發展的紅利。
適宜人群
- 希望擴充人工智慧視野、系統學習人工智慧核心技術的資料科學家、工程師；
- 勤勉且不斷精進的人工智慧從業者；
- 人工智慧團隊負責人；
- 有志於從事人工智慧事業的入門者；
- 對人工智慧/機器學習感興趣的各界人士。
訂閱價格：
為回報猿人學的粉絲，所有通過我分享的二維碼購買的使用者，請加我微訊號：dismissmewp，備註：返現。
享受完其它優惠後，我再給大家立即返￥12元現金。
我的公眾號：猿人學 Python 上會分享更多心得體會，敬請關注。
***版權申明:若沒有特殊說明，文章皆是猿人學 yuanrenxue.com 原創，沒有猿人學授權，請勿以任何形式轉載。***