从学术会议中提炼可落地的技术洞察

这门课程解决的核心痛点，是技术从业者和 AI 爱好者在面对海量论文时产生的“信息过载”与“筛选困难”。对于希望系统理解人工智能前沿动态、但又缺乏时间逐一啃读原始文献的读者来说，直接研读顶级会议论文门槛极高。本课程的价值在于，它并非简单的资讯播报，而是通过精读 2017 年 KDD、EMNLP、ICCV、NIPS 等国际顶级会议的最佳研究论文、应用论文及学生论文，帮助读者建立一套高效的学术文献筛选与理解框架。

内容覆盖了数据挖掘、自然语言处理、计算机视觉以及深度学习优化等多个关键领域。例如，课程不仅解读了如何将深度强化学习应用到视觉问答系统，还深入探讨了非凸优化问题和分布异同检验（KSD 测试）等底层数学原理。这种“顶会论文精读 + 典型应用拆解”的模式，让读者能够透过复杂的算法公式，看到技术背后的设计逻辑和工程价值，从而在快速变化的技术环境中保持敏锐的洞察力。

适合人群与学习路径建议

本课程适合有一定机器学习基础，希望拓展技术视野、了解业界主流研究方向的数据分析师、算法工程师或相关专业的学生。无需具备深厚的数学推导能力，但需要具备基本的编程概念和对深度学习常见模型的了解。如果你是纯零基础小白，可能会在涉及优化理论的部分感到吃力，建议先补充基础概念后再进入此课程。

建议学习时，不要试图逐字逐句背诵论文内容，而应重点关注讲师对论文“问题背景”、“核心贡献”和“实验结论”的提炼。开篇词部分有助于建立全局认知，建议优先观看，了解课程的整体架构和学习方法。随后，可以根据你当前工作的技术栈选择模块：若从事 NLP 方向，可重点精读 EMNLP 相关章节；若关注图像识别，则 ICCV 部分更为对口；对于希望夯实基础理论的读者，NIPS 中的优化与非凸问题解析则是必读内容。

学完能独立做什么及资料配合

学完本课程后，你将具备独立阅读和理解一篇人工智能领域顶会论文的能力，能够快速判断某项新技术的真实创新点与应用潜力，不再被标题党误导。更重要的是，你能建立起一个基于权威学术源头的知识更新习惯，在与团队讨论技术方案或进行产品创新时，能够引用扎实的理论依据，提升专业说服力。

课程资料包包含了 31 讲的结构化内容，建议采取“听讲解 - 看论文原文 - 复述核心逻辑”的闭环学习方式。每听完结课，尝试用自己的话概括该论文解决了什么问题、用了什么方法、效果如何，并思考这与当前的工作场景有何关联。通过这种主动输出，将短暂的听课印象转化为长期的技术直觉，真正实现从“知道有新东西”到“理解为什么新”的跨越。

课程目录

开篇词 (1讲)

  1. 开篇词 _ 你的360度人工智能信息助理

人工智能国际顶级会议 (31讲)

  1. 001 _ 聊聊2017年KDD大会的时间检验奖
  2. 002 _ 精读2017年KDD最佳研究论文
  3. 003 _ 精读2017年KDD最佳应用数据科学论文
  4. 004 _ 精读2017年EMNLP最佳长论文之一
  5. 005 _ 精读2017年EMNLP最佳长论文之二
  6. 006 _ 精读2017年EMNLP最佳短论文
  7. 007 _ 精读2017年ICCV最佳研究论文
  8. 008 _ 精读2017年ICCV最佳学生论文
  9. 009 _ 如何将“深度强化学习”应用到视觉问答系统？
  10. 010 _ 精读2017年NIPS最佳研究论文之一：如何解决非凸优化问题？
  11. 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？
  12. 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？
  13. 013 _ WSDM 2018论文精读：看谷歌团队如何做位置偏差估计
  14. 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
  15. 015 _ WSDM 2018论文精读：深度学习模型中如何使用上下文信息？
  16. 016 _ The Web 2018论文精读：如何对商品的图片美感进行建模？
  17. 017 _ The Web 2018论文精读：如何改进经典的推荐算法BPR？
  18. 018 _ The Web 2018论文精读：如何从文本中提取高元关系？
  19. 019 _ SIGIR 2018论文精读：偏差和“流行度”之间的关系
  20. 020 _ 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？
  21. 021 _ 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？
  22. 022 _ CVPR 2018论文精读：如何研究计算机视觉任务之间的关系？
  23. 023 _ CVPR 2018论文精读：如何从整体上对人体进行三维建模？
  24. 024 _ CVPR 2018论文精读：如何解决排序学习计算复杂度高这个问题？
  25. 025 _ 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
  26. 026 _ ICML 2018论文精读：聊一聊机器学习算法的“公平性”问题
  27. 027 _ ICML 2018论文精读：优化目标函数的时候，有可能放大了“不公平”？
  28. 028 _ ACL 2018论文精读：问答系统场景下，如何提出好问题？
  29. 029 _ ACL 2018论文精读：什么是对话中的前提触发？如何检测？
  30. 030 _ ACL 2018论文精读：什么是“端到端”的语义哈希？
  31. 复盘 7 _ 一起来读人工智能国际顶级会议论文

搜索核心技术 (28讲)

  1. 031 _ 经典搜索核心算法：TF-IDF及其变种
  2. 032 _ 经典搜索核心算法：BM25及其变种（内附全年目录）
  3. 033 _ 经典搜索核心算法：语言模型及其变种
  4. 034 _ 机器学习排序算法：单点法排序学习
  5. 035 _ 机器学习排序算法：配对法排序学习
  6. 036 _ 机器学习排序算法：列表法排序学习
  7. 037 _ “查询关键字理解”三部曲之分类
  8. 038 _ “查询关键字理解”三部曲之解析
  9. 039 _ “查询关键字理解”三部曲之扩展
  10. 040 _ 搜索系统评测，有哪些基础指标？
  11. 041 _ 搜索系统评测，有哪些高级指标？
  12. 042 _ 如何评测搜索系统的在线表现？
  13. 043 _ 文档理解第一步：文档分类
  14. 044 _ 文档理解的关键步骤：文档聚类
  15. 045 _ 文档理解的重要特例：多模文档建模
  16. 046 _ 大型搜索框架宏观视角：发展、特点及趋势
  17. 047 _ 多轮打分系统概述
  18. 048 _ 搜索索引及其相关技术概述
  19. 049 _ PageRank算法的核心思想是什么？
  20. 050 _ 经典图算法之HITS
  21. 051 _ 社区检测算法之“模块最大化 ”
  22. 052 _ 机器学习排序算法经典模型：RankSVM
  23. 053 _ 机器学习排序算法经典模型：GBDT
  24. 054 _ 机器学习排序算法经典模型：LambdaMART
  25. 055 _ 基于深度学习的搜索算法：深度结构化语义模型
  26. 056 _ 基于深度学习的搜索算法：卷积结构下的隐含语义模型
  27. 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
  28. 复盘 1 _ 搜索核心技术模块

推荐系统核心技术 (22讲)

  1. 058 _ 简单推荐模型之一：基于流行度的推荐模型
  2. 059 _ 简单推荐模型之二：基于相似信息的推荐模型
  3. 060 _ 简单推荐模型之三：基于内容信息的推荐模型
  4. 061 _ 基于隐变量的模型之一：矩阵分解
  5. 062 _ 基于隐变量的模型之二：基于回归的矩阵分解
  6. 063 _ 基于隐变量的模型之三：分解机
  7. 064 _ 高级推荐模型之一：张量分解模型
  8. 065 _ 高级推荐模型之二：协同矩阵分解
  9. 066 _ 高级推荐模型之三：优化复杂目标函数
  10. 067 _ 推荐的Exploit和Explore算法之一：EE算法综述
  11. 068 _ 推荐的Exploit和Explore算法之二：UCB算法
  12. 069 _ 推荐的Exploit和Explore算法之三：汤普森采样算法
  13. 070 _ 推荐系统评测之一：传统线下评测
  14. 071 _ 推荐系统评测之二：线上评测
  15. 072 _ 推荐系统评测之三：无偏差估计
  16. 073 _ 现代推荐架构剖析之一：基于线下离线计算的推荐架构
  17. 074 _ 现代推荐架构剖析之二：基于多层搜索架构的推荐系统
  18. 075 _ 现代推荐架构剖析之三：复杂现代推荐架构漫谈
  19. 076 _ 基于深度学习的推荐模型之一：受限波兹曼机
  20. 077 _ 基于深度学习的推荐模型之二：基于RNN的推荐系统
  21. 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
  22. 复盘 2 _ 推荐系统核心技术模块

广告系统核心技术 (19讲)

  1. 079 _ 广告系统概述
  2. 080 _ 广告系统架构
  3. 081 _ 广告回馈预估综述
  4. 082 _ Google的点击率系统模型
  5. 083 _ Facebook的广告点击率预估模型
  6. 084 _ 雅虎的广告点击率预估模型
  7. 085 _ LinkedIn的广告点击率预估模型
  8. 086 _ Twitter的广告点击率预估模型
  9. 087 _ 阿里巴巴的广告点击率预估模型
  10. 088 _ 什么是“基于第二价位的广告竞拍”？
  11. 089 _ 广告的竞价策略是怎样的？
  12. 090 _ 如何优化广告的竞价策略？
  13. 091 _ 如何控制广告预算？
  14. 092 _ 如何设置广告竞价的底价？
  15. 093 _ 聊一聊“程序化直接购买”和“广告期货”
  16. 094 _ 归因模型：如何来衡量广告的有效性
  17. 095 _ 广告投放如何选择受众？如何扩展受众群？
  18. 096 _ 如何利用机器学习技术来检测广告欺诈？
  19. 复盘 4 _ 广告系统核心技术模块

自然语言处理及文本处理核心技术 (19讲)

  1. 097 _ LDA模型的前世今生
  2. 098 _ LDA变种模型知多少
  3. 099 _ 针对大规模数据，如何优化LDA算法？
  4. 100 _ 基础文本分析模型之一：隐语义分析
  5. 101 _ 基础文本分析模型之二：概率隐语义分析
  6. 102 _ 基础文本分析模型之三：EM算法
  7. 103 _ 为什么需要Word2Vec算法？
  8. 104 _ Word2Vec算法有哪些扩展模型？
  9. 105 _ Word2Vec算法有哪些应用？
  10. 106 _ 序列建模的深度学习利器：RNN基础架构
  11. 107 _ 基于门机制的RNN架构：LSTM与GRU
  12. 108 _ RNN在自然语言处理中有哪些应用场景？
  13. 109 _ 对话系统之经典的对话模型
  14. 110 _ 任务型对话系统有哪些技术要点？
  15. 111 _ 聊天机器人有哪些核心技术要点？
  16. 112 _ 什么是文档情感分类？
  17. 113 _ 如何来提取情感“实体”和“方面”呢？
  18. 114 _ 文本情感分析中如何做意见总结和搜索？
  19. 复盘 3 _ 自然语言处理及文本处理核心技术模块

计算机视觉核心技术 (13讲)

  1. 115 _ 什么是计算机视觉？
  2. 116 _ 掌握计算机视觉任务的基础模型和操作
  3. 117 _ 计算机视觉中的特征提取难在哪里？
  4. 118 _ 基于深度学习的计算机视觉技术（一）：深度神经网络入门
  5. 119 _ 基于深度学习的计算机视觉技术（二）：基本的深度学习模型
  6. 120 _ 基于深度学习的计算机视觉技术（三）：深度学习模型的优化
  7. 121 _ 计算机视觉领域的深度学习模型（一）：AlexNet
  8. 122 _ 计算机视觉领域的深度学习模型（二）：VGG & GoogleNet
  9. 123 _ 计算机视觉领域的深度学习模型（三）：ResNet
  10. 124 _ 计算机视觉高级话题（一）：图像物体识别和分割
  11. 125 _ 计算机视觉高级话题（二）：视觉问答
  12. 126 _ 计算机视觉高级话题（三）：产生式模型
  13. 复盘 5 _ 计算机视觉核心技术模块

数据科学家与数据科学团队养成 (25讲)

  1. 127 _ 数据科学家基础能力之概率统计
  2. 128 _ 数据科学家基础能力之机器学习
  3. 129 _ 数据科学家基础能力之系统
  4. 130 _ 数据科学家高阶能力之分析产品
  5. 131 _ 数据科学家高阶能力之评估产品
  6. 132 _ 数据科学家高阶能力之如何系统提升产品性能
  7. 133 _ 职场话题：当数据科学家遇见产品团队
  8. 134 _ 职场话题：数据科学家应聘要具备哪些能力？
  9. 135 _ 职场话题：聊聊数据科学家的职场规划
  10. 136 _ 如何组建一个数据科学团队？
  11. 137 _ 数据科学团队养成：电话面试指南
  12. 138 _ 数据科学团队养成：Onsite面试面面观
  13. 139 _ 成为“香饽饽”的数据科学家，如何衡量他们的工作呢？
  14. 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？
  15. 141 _ 数据科学家团队组织架构：水平还是垂直，这是个问题
  16. 142 _ 数据科学家必备套路之一：搜索套路
  17. 143 _ 数据科学家必备套路之二：推荐套路
  18. 144 _ 数据科学家必备套路之三：广告套路
  19. 145 _ 如何做好人工智能项目的管理？
  20. 146 _ 数据科学团队必备的工程流程三部曲
  21. 147 _ 数据科学团队怎么选择产品和项目？
  22. 148 _ 曾经辉煌的雅虎研究院
  23. 149 _ 微软研究院：工业界研究机构的楷模
  24. 150 _ 聊一聊谷歌特立独行的混合型研究
  25. 复盘 6 _ 数据科学家与数据科学团队是怎么养成的？

热点话题讨论 (7讲)

  1. 151 _ 精读AlphaGo Zero论文
  2. 152 _ 2017人工智能技术发展盘点
  3. 153 _ 如何快速学习国际顶级学术会议的内容？
  4. 154 _ 在人工智能领域，如何快速找到学习的切入点？
  5. 155 _ 人工智能技术选择，该从哪里获得灵感？
  6. 156 _ 近在咫尺，走进人工智能研究
  7. 内参特刊 _ 和你聊聊每个人都关心的人工智能热点话题

结束语 (1讲)

  1. 结束语 _ 雄关漫道真如铁，而今迈步从头越