117 | 计算机视觉中的特征提取难在哪里？
116 | 掌握计算机视觉任务的基础模型和操作
115 | 什么是计算机视觉？
148 | 曾经辉煌的雅虎研究院
147 | 数据科学团队怎么选择产品和项目？
146 | 数据科学团队必备的工程流程三部曲
145 | 如何做好人工智能项目的管理？
030 | ACL 2018论文精读：什么是“端到端”的语义哈希？
029 | ACL 2018论文精读：什么是对话中的前提触发？如何检测？
028 | ACL 2018论文精读：问答系统场景下，如何提出好问题？
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”？
026 | ICML 2018论文精读：聊一聊机器学习算法的“公平性”问题
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
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？
023 | CVPR 2018论文精读：如何从整体上对人体进行三维建模？
022 | CVPR 2018论文精读：如何研究计算机视觉任务之间的关系？
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？
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？
019 | SIGIR 2018论文精读：偏差和“流行度”之间的关系
144 | 数据科学家必备套路之三：广告套路