别人学习内容，我学习目录，摘抄如下
专栏模块
“AI 技术内参”专栏精心打磨了四大模块，具体如下：
模块一：人工智能国际顶级学术会议深入解读与技术展望（10 周左右）
精选 10 个国际人工智能顶级学术会议，剖析其论文精髓，解读最新技术成果，全览人工智能发展趋势。模块中包含的顶级会议有机器学习方面的 ICML、NIPS；机器视觉方面的 CVPR、ICCV；自然语言处理方面的 ACL、EMNLP；数据挖掘和数据科学方面的 KDD、WSDM；信息检索和搜索方面的 SIGIR；互联网综合方面的 WWW。
模块二：人工智能核心技术剖析（32 周左右）
分专题讲解人工智能和机器学习的核心技术，帮你拨开层层迷雾，快速入门。这其中包括搜索核心技术、推荐系统核心技术、广告系统核心技术、自然语言处理及文本处理核心技术、计算机视觉核心技术等。
模块三：人工智能工程师、科学家的养成和人工智能团队的构建（8 周左右）
国内外各大公司都在纷纷组建自己的人工智能团队，洪亮劼将结合个人经历，分享人工智能团队的组建以及运作经验。另外，针对立志成为数据科学家或者人工智能科学家的同学，他将会梳理对应的技能图谱以及知识脉络，并进行系统剖析。
模块四：人工智能业界热点（2 周左右）
在这整个一年的课程当中，相信会有很多的与人工智能相关的行业或者技术热点出现。洪亮劼也会结合这些热点，即时解读最新的业界动态，探讨最新的研究成果，分享个人洞见。
专栏详细目录如下：
开篇词 | 你的360度人工智能信息助理
001 | 如何组建一个数据科学团队？
002 | 聊聊2017年KDD大会的时间检验奖
003 | 数据科学家基础能力之概率统计
004 | 数据科学家基础能力之机器学习
005 | 数据科学家基础能力之系统
006 | Google的点击率系统模型
007 | LDA模型的前世今生
008 | 曾经辉煌的雅虎研究院
009 | 数据科学家高阶能力之分析产品
010 | 数据科学家高阶能力之评估产品
011 | 数据科学家高阶能力之如何系统提升产品性能
012 | 精读2017年KDD最佳研究论文
013 | 精读2017年KDD最佳应用数据科学论文
014 | 精读AlphaGo Zero论文
015 | 精读2017年EMNLP最佳长论文之一
016 | 精读2017年EMNLP最佳长论文之二
017 | 精读2017年EMNLP最佳短论文
018 | 经典搜索核心算法：TF-IDF及其变种
019 | 经典搜索核心算法：BM25及其变种（内附全年目录）
020 | 经典搜索核心算法：语言模型及其变种
021 | 机器学习排序算法：单点法排序学习
022 | 机器学习排序算法：配对法排序学习
023 | 机器学习排序算法：列表法排序学习
024 | “查询关键字理解”三部曲之分类
025 | “查询关键字理解”三部曲之解析
026 | “查询关键字理解”三部曲之扩展
027 | 搜索系统评测，有哪些基础指标？
028 | 搜索系统评测，有哪些高级指标？
029 | 如何评测搜索系统的在线表现？
030 | 文档理解第一步：文档分类
031 | 文档理解的关键步骤：文档聚类
032 | 文档理解的重要特例：多模文档建模
033 | 大型搜索框架宏观视角：发展、特点及趋势
034 | 多轮打分系统概述
035 | 搜索索引及其相关技术概述
037 | 经典图算法之HITS
038 | 社区检测算法之“模块最大化 ”
039 | 机器学习排序算法经典模型：RankSVM
040 | 机器学习排序算法经典模型：GBDT
041 | 机器学习排序算法经典模型：LambdaMART
042 | 基于深度学习的搜索算法：深度结构化语义模型
043 | 基于深度学习的搜索算法：卷积结构下的隐含语义模型
044 | 基于深度学习的搜索算法：局部和分布表征下的搜索模型
045 | 职场话题：当数据科学家遇见产品团队
046 | 职场话题：数据科学家应聘要具备哪些能力？
047 | 职场话题：聊聊数据科学家的职场规划
048 | 精读2017年ICCV最佳研究论文
049 | 精读2017年ICCV最佳学生论文
050 | 如何将“深度强化学习”应用到视觉问答系统？
内参特刊 | 和你聊聊每个人都关心的人工智能热点话题
051 | 精读2017年NIPS最佳研究论文之一：如何解决非凸优化问题？
052 | 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？
053 | 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？
054 | 数据科学团队养成：电话面试指南
055 | 数据科学团队养成：Onsite面试面面观
056 | 成为“香饽饽”的数据科学家，如何衡量他们的工作呢？
057 | 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？
058 | 数据科学家团队组织架构：水平还是垂直，这是个问题
059 | 2017人工智能技术发展盘点
060 | WSDM 2018论文精读：看谷歌团队如何做位置偏差估计
061 | 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
062 | WSDM 2018论文精读：深度学习模型中如何使用上下文信息？
复盘 1 | 搜索核心技术模块
063 | 简单推荐模型之一：基于流行度的推荐模型
064 | 简单推荐模型之二：基于相似信息的推荐模型
065 | 简单推荐模型之三：基于内容信息的推荐模型
066 | 基于隐变量的模型之一：矩阵分解
067 | 基于隐变量的模型之二：基于回归的矩阵分解
068 | 基于隐变量的模型之三：分解机
069 | 高级推荐模型之一：张量分解模型
070 | 高级推荐模型之二：协同矩阵分解
071 | 高级推荐模型之三：优化复杂目标函数
072 | 推荐的Exploit和Explore算法之一：EE算法综述
073 | 推荐的Exploit和Explore算法之二：UCB算法
074 | 推荐的Exploit和Explore算法之三：汤普森采样算法
075 | 推荐系统评测之一：传统线下评测
076 | 推荐系统评测之二：线上评测
077 | 推荐系统评测之三：无偏差估计
078 | 现代推荐架构剖析之一：基于线下离线计算的推荐架构
079 | 现代推荐架构剖析之二：基于多层搜索架构的推荐系统
080 | 现代推荐架构剖析之三：复杂现代推荐架构漫谈
081 | 基于深度学习的推荐模型之一：受限波兹曼机
082 | 基于深度学习的推荐模型之二：基于RNN的推荐系统
083 | 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
复盘 2 | 推荐系统核心技术模块
084 | LDA变种模型知多少
085 | 针对大规模数据，如何优化LDA算法？
086 | 基础文本分析模型之一：隐语义分析
087 | 基础文本分析模型之二：概率隐语义分析
088 | 基础文本分析模型之三：EM算法
089 | 为什么需要Word2Vec算法？
090 | Word2Vec算法有哪些扩展模型？
091 | Word2Vec算法有哪些应用？
092 | 序列建模的深度学习利器：RNN基础架构
093 | 基于门机制的RNN架构：LSTM与GRU
094 | RNN在自然语言处理中有哪些应用场景？
095 | 对话系统之经典的对话模型
096 | 任务型对话系统有哪些技术要点？
097 | 聊天机器人有哪些核心技术要点？
098 | 什么是文档情感分类？
099 | 如何来提取情感“实体”和“方面”呢？
100 | 文本情感分析中如何做意见总结和搜索？
101 | The Web 2018论文精读：如何对商品的图片美感进行建模？
102 | The Web 2018论文精读：如何改进经典的推荐算法BPR？
103 | The Web 2018论文精读：如何从文本中提取高元关系？
104 | 如何快速学习国际顶级学术会议的内容？
复盘 3 | 自然语言处理及文本处理核心技术模块
105 | 广告系统概述
106 | 广告系统架构
107 | 广告回馈预估综述
108 | Facebook的广告点击率预估模型
109 | 雅虎的广告点击率预估模型
110 | LinkedIn的广告点击率预估模型
112 | 阿里巴巴的广告点击率预估模型
113 | 什么是“基于第二价位的广告竞拍”？
114 | 广告的竞价策略是怎样的？
115 | 如何优化广告的竞价策略？
116 | 如何控制广告预算？
117 | 如何设置广告竞价的底价？
118 | 聊一聊“程序化直接购买”和“广告期货”
119 | 归因模型：如何来衡量广告的有效性
120 | 广告投放如何选择受众？如何扩展受众群？
121 | 如何利用机器学习技术来检测广告欺诈？
122 | 数据科学家必备套路之一：搜索套路
123 | 数据科学家必备套路之二：推荐套路
124 | 数据科学家必备套路之三：广告套路
125 | SIGIR 2018论文精读：偏差和“流行度”之间的关系
126 | 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？
127 | 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？
128 | CVPR 2018论文精读：如何研究计算机视觉任务之间的关系？
129 | CVPR 2018论文精读：如何从整体上对人体进行三维建模？
130 | CVPR 2018论文精读：如何解决排序学习计算复杂度高这个问题？
131 | 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
132 | ICML 2018论文精读：聊一聊机器学习算法的“公平性”问题
133 | ICML 2018论文精读：优化目标函数的时候，有可能放大了“不公平”？
134 | ACL 2018论文精读：问答系统场景下，如何提出好问题？
135 | ACL 2018论文精读：什么是对话中的前提触发？如何检测？
136 | ACL 2018论文精读：什么是“端到端”的语义哈希？
137 | 如何做好人工智能项目的管理？
138 | 数据科学团队必备的工程流程三部曲
139 | 数据科学团队怎么选择产品和项目？
140 | 什么是计算机视觉？
141 | 掌握计算机视觉任务的基础模型和操作
142 | 计算机视觉中的特征提取难在哪里？
143 | 基于深度学习的计算机视觉技术（一）：深度神经网络入门
144 | 基于深度学习的计算机视觉技术（二）：基本的深度学习模型
145 | 基于深度学习的计算机视觉技术（三）：深度学习模型的优化
146 | 计算机视觉领域的深度学习模型（一）：AlexNet
147 | 计算机视觉领域的深度学习模型（二）：VGG & GoogleNet
148 | 计算机视觉领域的深度学习模型（三）：ResNet
149 | 计算机视觉高级话题（一）：图像物体识别和分割
150 | 计算机视觉高级话题（二）：视觉问答
151 | 计算机视觉高级话题（三）：产生式模型
152 | 在人工智能领域，如何快速找到学习的切入点？
153 | 人工智能技术选择，该从哪里获得灵感？
154 | 近在咫尺，走进人工智能研究
155 | 微软研究院：工业界研究机构的楷模
156 | 聊一聊谷歌特立独行的混合型研究
复盘 4 | 广告系统核心技术模块
复盘 5 | 计算机视觉核心技术模块
复盘 6 | 数据科学家与数据科学团队是怎么养成的？
复盘 7 | 一起来读人工智能国际顶级会议论文
结束语 | 雄关漫道真如铁，而今迈步从头越