Канал: Shusen Wang

相关性05：BERT模型 (Part 2) - 模型训练

相关性05：BERT模型 (Part 2) - 模型训练

相关性04：BERT模型 (Part 1) - 模型结构、线上推理

相关性04：BERT模型 (Part 1) - 模型结构、线上推理

相关性03：文本匹配（TF-IDF、BM25、词距）

相关性03：文本匹配（TF-IDF、BM25、词距）

相关性02：评价指标（AUC、正逆序比、DCG）

相关性02：评价指标（AUC、正逆序比、DCG）

相关性01：搜索相关性的定义与分档

相关性01：搜索相关性的定义与分档

概要04：搜索引擎的链路（查询词处理、召回、排序）

概要04：搜索引擎的链路（查询词处理、召回、排序）

概要03：搜索引擎的评价指标

概要03：搜索引擎的评价指标

概要02：相关性、内容质量、时效性、个性化（决定搜索满意度的因素）

概要02：相关性、内容质量、时效性、个性化（决定搜索满意度的因素）

概要01：搜索引擎的基本概念

概要01：搜索引擎的基本概念

推荐系统公开课——8小时完整版，讲解工业界真实的推荐系统

推荐系统公开课——8小时完整版，讲解工业界真实的推荐系统

涨指标的方法06：交互行为（关注、转发、评论）

涨指标的方法06：交互行为（关注、转发、评论）

涨指标的方法05：特殊用户人群

涨指标的方法05：特殊用户人群

涨指标的方法04：多样性

涨指标的方法04：多样性

涨指标的方法03：排序模型

涨指标的方法03：排序模型

涨指标的方法02：召回

涨指标的方法02：召回

涨指标的方法01：概述【禁止搬运】

涨指标的方法01：概述【禁止搬运】

召回10：Deep Retrieval 召回【禁止搬运】

召回10：Deep Retrieval 召回【禁止搬运】

召回12：曝光过滤 & Bloom Filter

召回12：曝光过滤 & Bloom Filter

召回09：双塔模型+自监督学习

召回09：双塔模型+自监督学习

概要03：推荐系统的AB测试

概要03：推荐系统的AB测试

重排05：DPP 多样性算法（下）

重排05：DPP 多样性算法（下）

重排04：DPP 多样性算法（上）

重排04：DPP 多样性算法（上）

重排03：业务规则约束下的多样性算法

重排03：业务规则约束下的多样性算法

重排02：MMR 多样性算法（Maximal Marginal Relevance）

重排02：MMR 多样性算法（Maximal Marginal Relevance）

重排01：物品相似性的度量、提升多样性的方法

重排01：物品相似性的度量、提升多样性的方法

行为序列03：SIM模型（长序列建模）

行为序列03：SIM模型（长序列建模）

行为序列02：DIN模型（注意力机制）

行为序列02：DIN模型（注意力机制）

行为序列01：用户历史行为序列建模

行为序列01：用户历史行为序列建模

特征交叉04：SENet 和 Bilinear 交叉

特征交叉04：SENet 和 Bilinear 交叉

特征交叉03：LHUC (PPNet)

特征交叉03：LHUC (PPNet)

特征交叉02：DCN 深度交叉网络

特征交叉02：DCN 深度交叉网络

特征交叉01：Factorized Machine (FM) 因式分解机

特征交叉01：Factorized Machine (FM) 因式分解机

排序06：粗排模型

排序06：粗排模型

排序05：排序模型的特征

排序05：排序模型的特征

排序04：视频播放建模

排序04：视频播放建模

排序03：预估分数融合

排序03：预估分数融合

排序02：Multi-gate Mixture-of-Experts (MMoE)

排序02：Multi-gate Mixture-of-Experts (MMoE)

排序01：多目标模型

排序01：多目标模型

物品冷启06：冷启的AB测试

物品冷启06：冷启的AB测试

物品冷启05：流量调控

物品冷启05：流量调控

物品冷启04：Look-Alike 召回

物品冷启04：Look-Alike 召回

物品冷启03：聚类召回

物品冷启03：聚类召回

物品冷启02：简单的召回通道

物品冷启02：简单的召回通道

物品冷启01：优化目标 & 评价指标

物品冷启01：优化目标 & 评价指标

召回11：地理位置召回、作者召回、缓存召回

召回11：地理位置召回、作者召回、缓存召回

召回08：双塔模型——线上服务、模型更新

召回08：双塔模型——线上服务、模型更新

召回07：双塔模型——正负样本

召回07：双塔模型——正负样本

召回06：双塔模型——模型结构、训练方法

召回06：双塔模型——模型结构、训练方法

召回05：矩阵补充、最近邻查找

召回05：矩阵补充、最近邻查找

召回04：离散特征处理

召回04：离散特征处理

召回03：基于用户的协同过滤（UserCF）

召回03：基于用户的协同过滤（UserCF）

召回02：Swing 模型

召回02：Swing 模型

召回01：基于物品的协同过滤（ItemCF）

召回01：基于物品的协同过滤（ItemCF）

概要02：推荐系统的链路【禁止搬运】

概要02：推荐系统的链路【禁止搬运】

概要01：推荐系统的基本概念【禁止搬运】

概要01：推荐系统的基本概念【禁止搬运】

14-2: 无权二部图中的最大匹配 Maximum-Cardinality Bipartite Matching (MCBM)

14-2: 无权二部图中的最大匹配 Maximum-Cardinality Bipartite Matching (MCBM)

14-6: Gale-Shapley 算法寻找稳定婚配

14-6: Gale-Shapley 算法寻找稳定婚配

14-5: 稳定婚配问题 Stable Marriage Problem

14-5: 稳定婚配问题 Stable Marriage Problem

14-4: 匈牙利算法 Hungarian Algorithm

14-4: 匈牙利算法 Hungarian Algorithm

14-3: 有权二部图中的最大匹配 Maximum-Weight Bipartite Matching

14-3: 有权二部图中的最大匹配 Maximum-Weight Bipartite Matching

14-1: 二部图及其判定算法 Bipartite Graphs

14-1: 二部图及其判定算法 Bipartite Graphs

13-5: 最小割 Min-Cut

13-5: 最小割 Min-Cut

13-4: Dinic's Algorithm 寻找网络最大流

13-4: Dinic's Algorithm 寻找网络最大流

13-3: Edmonds–Karp Algorithm 寻找网络最大流

13-3: Edmonds–Karp Algorithm 寻找网络最大流

13-2: Ford-Fulkerson Algorithm 寻找网络最大流

13-2: Ford-Fulkerson Algorithm 寻找网络最大流

13-1: 网络流问题基础 Network Flow Problems

13-1: 网络流问题基础 Network Flow Problems

12-3: Kruskal算法寻找最小生成树 Kruskal's Algorithm for Minimum Spanning Trees

12-3: Kruskal算法寻找最小生成树 Kruskal's Algorithm for Minimum Spanning Trees

12-2: Prim算法寻找最小生成树 Prim's Algorithm for Minimum Spanning Trees

12-2: Prim算法寻找最小生成树 Prim's Algorithm for Minimum Spanning Trees

12-1: 最小生成树 Minimum Spanning Trees

12-1: 最小生成树 Minimum Spanning Trees

11-3: Dijkstra 算法寻找有权图中最短路 Finding Shortest Path in Weighted Graphs

11-3: Dijkstra 算法寻找有权图中最短路 Finding Shortest Path in Weighted Graphs

11-2: 无权图的最短路算法 Finding Shortest Path in Unweighted Graphs

11-2: 无权图的最短路算法 Finding Shortest Path in Unweighted Graphs

11-1: 图中的路径和最短路 Shortest Path

11-1: 图中的路径和最短路 Shortest Path

10-1: 图的基本概念和数据结构 Graph Basics and Data Structures

10-1: 图的基本概念和数据结构 Graph Basics and Data Structures

2-3: 跳跃列表 Skip List

2-3: 跳跃列表 Skip List

2-2: 二分查找 Binary Search

2-2: 二分查找 Binary Search

2-1: 数组、向量、链表 (数据结构基础)

2-1: 数组、向量、链表 (数据结构基础)

神经网络结构搜索 (3/3): 可微方法 Differentiable Neural Architecture Search

神经网络结构搜索 (3/3): 可微方法 Differentiable Neural Architecture Search

神经网络结构搜索 (2/3): RNN + RL Neural Architecture Search: RNN + RL

神经网络结构搜索 (2/3): RNN + RL Neural Architecture Search: RNN + RL

神经网络结构搜索 (1/3): 基本概念和随机搜索 Neural Architecture Search: Basics & Random Search

神经网络结构搜索 (1/3): 基本概念和随机搜索 Neural Architecture Search: Basics & Random Search

Vision Transformer (ViT) 用于图片分类

Vision Transformer (ViT) 用于图片分类

TRPO 置信域策略优化 (Trust Region Policy Optimization)

TRPO 置信域策略优化 (Trust Region Policy Optimization)

随机排列与Fisher-Yates算法

随机排列与Fisher-Yates算法

5-2: 矩阵数据结构

5-2: 矩阵数据结构

5-1: 矩阵加法、乘法、时间复杂度

5-1: 矩阵加法、乘法、时间复杂度

随机策略做连续控制 (连续控制 3/3)

随机策略做连续控制 (连续控制 3/3)

确定策略梯度 Deterministic Policy Gradient, DPG (连续控制 2/3)

确定策略梯度 Deterministic Policy Gradient, DPG (连续控制 2/3)

离散控制与连续控制 (连续控制 1/3)

离散控制与连续控制 (连续控制 1/3)

REINFORCE与A2C的异同 (策略梯度中的Baseline 4/4)

REINFORCE与A2C的异同 (策略梯度中的Baseline 4/4)

A2C 方法 (策略梯度中的Baseline 3/4)

A2C 方法 (策略梯度中的Baseline 3/4)

REINFORCE with Baseline (策略梯度中的Baseline 2/4)

REINFORCE with Baseline (策略梯度中的Baseline 2/4)

策略梯度中的Baseline (1/4)

策略梯度中的Baseline (1/4)

Dueling Network (价值学习高级技巧 3/3)

Dueling Network (价值学习高级技巧 3/3)

高估问题、Target Network、Double DQN (价值学习高级技巧 2/3)

高估问题、Target Network、Double DQN (价值学习高级技巧 2/3)

经验回放 Experience Replay (价值学习高级技巧 1/3)

经验回放 Experience Replay (价值学习高级技巧 1/3)

Multi-Step TD Target (TD Learning 3/3)

Multi-Step TD Target (TD Learning 3/3)

Q-Learning算法 (TD Learning 2/3)

Q-Learning算法 (TD Learning 2/3)

Sarsa算法 (TD Learning 1/3)

Sarsa算法 (TD Learning 1/3)

多智能体强化学习(2/2)：三种架构 Multi-Agent Reinforcement Learning

多智能体强化学习(2/2)：三种架构 Multi-Agent Reinforcement Learning

多智能体强化学习(1/2)：基本概念 Multi-Agent Reinforcement Learning

多智能体强化学习(1/2)：基本概念 Multi-Agent Reinforcement Learning

Few-Shot Learning (3/3)：Pretraining + Fine Tuning

Few-Shot Learning (3/3)：Pretraining + Fine Tuning

Few-Shot Learning (2/3): Siamese Network (孪生网络)

Few-Shot Learning (2/3): Siamese Network (孪生网络)

Few-Shot Learning (1/3): 基本概念

Few-Shot Learning (1/3): 基本概念

蒙特卡洛 Monte Carlo

蒙特卡洛 Monte Carlo

BERT (预训练Transformer模型)

BERT (预训练Transformer模型)

Transformer模型(2/2): 从Attention层到Transformer网络

Transformer模型(2/2): 从Attention层到Transformer网络

Transformer模型(1/2): 剥离RNN，保留Attention

Transformer模型(1/2): 剥离RNN，保留Attention

RNN模型与NLP应用(9/9)：Self-Attention (自注意力机制)

RNN模型与NLP应用(9/9)：Self-Attention (自注意力机制)

RNN模型与NLP应用(8/9)：Attention (注意力机制)

RNN模型与NLP应用(8/9)：Attention (注意力机制)

RNN模型与NLP应用(7/9)：机器翻译与Seq2Seq模型

RNN模型与NLP应用(7/9)：机器翻译与Seq2Seq模型

RNN模型与NLP应用(6/9)：Text Generation (自动文本生成)

RNN模型与NLP应用(6/9)：Text Generation (自动文本生成)

RNN模型与NLP应用(5/9)：多层RNN、双向RNN、预训练

RNN模型与NLP应用(5/9)：多层RNN、双向RNN、预训练

RNN模型与NLP应用(4/9)：LSTM模型

RNN模型与NLP应用(4/9)：LSTM模型

RNN模型与NLP应用(3/9)：Simple RNN模型

RNN模型与NLP应用(3/9)：Simple RNN模型

RNN模型与NLP应用(2/9)：文本处理与词嵌入

RNN模型与NLP应用(2/9)：文本处理与词嵌入

RNN模型与NLP应用(1/9)：数据处理基础

RNN模型与NLP应用(1/9)：数据处理基础

Data Poisoning Attack的讲解（中文）

Data Poisoning Attack的讲解（中文）

并行计算与机器学习(3/3)（中文） Parallel Computing for Machine Learning (Part 3/3)

并行计算与机器学习(3/3)（中文） Parallel Computing for Machine Learning (Part 3/3)

深度强化学习(5/5)：AlphaGo & Model-Based RL

深度强化学习(5/5)：AlphaGo & Model-Based RL

深度强化学习(4/5)：Actor-Critic Methods

深度强化学习(4/5)：Actor-Critic Methods

深度强化学习(3/5)：策略学习 Policy-Based Reinforcement Learning

深度强化学习(3/5)：策略学习 Policy-Based Reinforcement Learning

深度强化学习(2/5)：价值学习 Value-Based Reinforcement Learning

深度强化学习(2/5)：价值学习 Value-Based Reinforcement Learning

深度强化学习(1/5)：基本概念 Deep Reinforcement Learning (1/5)

深度强化学习(1/5)：基本概念 Deep Reinforcement Learning (1/5)

联邦学习：技术角度的讲解（中文）Introduction to Federated Learning

联邦学习：技术角度的讲解（中文）Introduction to Federated Learning

并行计算与机器学习(2/3)（中文） Parallel Computing for Machine Learning (Part 2/3)

并行计算与机器学习(2/3)（中文） Parallel Computing for Machine Learning (Part 2/3)

并行计算与机器学习(1/3)（中文） Parallel Computing for Machine Learning (Part 1/3)

并行计算与机器学习(1/3)（中文） Parallel Computing for Machine Learning (Part 1/3)