在 NLP 中，BERT 最近很火，是 NLP 重大进展的集大成者，是最近最火爆的 AI 进展之一。对最新的 Google BERT 模型我们有这样的疑问： 1. 什么是 BERT，这个模型是怎么来的； 2. 刷新了很多 NLP 任务的最好性能，有些任务还被刷爆了，BERT 值得这么高的评价吗； 3. 它有重大的理论或者模型创新吗？ 这篇 Chat 中除了得到以上疑问的答案，您可以得到： 1. 从图像预训练为例，解释预训练的过程和意义； 2. Word Embedding 的发展历程； 3. Embedding from Language Models，ELMO 模型讲解； 4. Generative Pre-Training，GPT 模型讲解； 5. BERT 的诞生和“肢解”（ELMO 和 GPT 的优势集成）。

未来，人工智能是生产力，是变革社会的主要技术力量之一。 掌握人工智能技术，需要从基础的机器学习算法开始学习，逐渐建立机器学习知识体系。 本场 Chat 首先带大家入门什么是机器学习和机器学习的应用领域，帮助大家建立机器学习的概念模型，然后用最简单的线性回归和逻辑回归算法，让大家掌握机器学习神秘的“三板斧”（解决方法）。 通过举一反三，引导大家建立以后机器学习和深度学习的学习路线。 本场 Chat 您将了解如下内容： 1. 了解机器学习的概念； 2. 揭开解决机器学习问题的的神秘“三板斧”的面纱； 3. 详解经典的机器学习预测与分类问题的解决思路、算法、代码； 4. 帮助规划适合小白的机器学习、深度学习的学习路线； 5. 提供自己整理的经典机器学习资料。

本场 Chat 结合 PyQt5、OpenCV 以及 face_recognition 做一个人脸识别的项目，实现功能包括图片的识别，以及读取 USB 摄像头进行识别。 通过本场 Chat 你能够学到如下内容： 1. PyQt5 设计过程； 2. Matplotlib 如何嵌入到 PyQt5 中； 3. OpenCV 对图像的操作； 4. face_recognition 环境的搭建； 5. 使用 face_recognition 进行精确人脸识别（据说识别率高达 99.3%）； 6. 整个项目的完整设计过程。

目前，Python 数据分析/机器学习的系列课程很多，但几乎都在讲解算法，而很少在实战项目中应用。 本 Chat 将思路反转过来，以最经典的入门级 Kaggle 比赛项目 Titanic 为线索，带你从头完成整个数据科学项目。 - 获取数据 -> 启发式数据分析（统计特征/数据分布/隐含关联）-> 预处理（特征工程/数据清洗）-> 建模/调参/预测 -> 可视化。 - 从原始数据到最终结果，带你一步步分析过程，应用实战技巧，将算法应用到实际案例中。 - 无需精通 Python 数据分析，你就可以参与到这个项目中，最好的学习方法是在项目中学习，而不是背字典般学习库函数。 - 不会机器学习？可以参加。知道机器学习能做什么后，才更有动力去挖掘其数学原理。 课程在带你完成整个项目的同时，也提供了一个思想框架，让你也能在其他数据科学项目中应用。所以，记得去其他比赛试试你学到的技巧！

阿里巴巴 2018 年开源的语音识别模型 DFSMN，将全球语音识别准确率纪录提高至 96.04%。DFSMN 模型，是阿里巴巴的高效工业级实现，相对于传统的 LSTM、BLSTM 等声学模型，该模型具备训练速度更快、识别更高效、识别准确率更高和模型大小压缩等效果。 本场 Chat 的主要内容包括： 1. 语音识别流程简介； 2. Kaldi 的部署使用； 3. 如何训练基于中文的 DFSMN 声学模型； 4. 语音特征提取 MFCC 算法源码解读； 5. 语音识别工具对比。

AutoML（Automatic Machine Learning，自动机器学习）旨在研究在没有专业知识的情况下使用的低门槛甚至零门槛的机器学习算法，摆脱对机器学习专家的依赖，该技术正在成为机器学习赋能行业的关键。第四范式的 AutoML 技术已经投入实际工业应用，在金融、医疗等行业有多个实践案例。 第四范式智能推荐系统广泛应用于互联网行业，这次分享将介绍在推荐系统中对 AutoML 技术的应用，内容主要包含 AutoML 的技术思路、框架和要点。 本场 Chat 您将接触如下内容： 1. 数据如何采样； 2. 数据预处理的规则； 3. 特征工程方面的知识； 4. 如何选择或设计算法； 5. 网络结构搜索； 6. 神经网络的自动训练调参； 7. 如何调整算法超参数； 8. 评估模型性能等内容。 ----- 作者简介： 王嘉磊，第四范式资深算法科学家、负责设计实现第四范式 AutoML 产品算法。美国康奈尔大学运筹学博士，研究方向为贝叶斯优化及应用于自动化机器学习。曾任职 IBM Chief Analytics Office，任高级数据科学家。 程晓澄，第四范式资深算法科学家、推荐业务算法团队负责人。在第四范式负责推荐业务算法推荐系统的架构设计， 负责搭建了唱吧、知乎、罗辑思维等多个互联网推荐系统。曾任职豆瓣算法部门。

深度学习作为基于神经网络发展起来的技术，入门深度学习怎么能缺少对神经网络的认识呢？ 本场 Chat 主要目的便是为了帮助大家更好的认识神经网络，为接下来的卷积神经网络（深度学习）做好预备工作。本文会以通俗易懂的话语加上适当的配图帮助读者更好的阅读理解神经网络；相关的 Demo 也会同步上传到 Github 上供大家参考。非常欢迎想要入门深度学习的小伙伴来围观，对于转战深度学习的小伙伴也非常欢迎。 本场 Chat 主要内容： - 机器学习与深度学习； - 神经网络历史； - MP 网络模型； - 感知器； - 多层感知器； - 误差反向传播算法； - 损失函数； - 随机梯度下降法； - 超参数及优化算法。

之前开了几个人工智能相关的 Chat，并发布了一门“极简机器学习入门”达人课。在与读者交流的过程中发现，不少朋友对于人工智能到底是什么？包括哪些内容？界面的智能背后是如何实现的？……等都有疑问。对于非常热门的“机器学习”，“深度学习”指什么？有什么关系？也感觉困惑。 本 Chat 立足于对“人工智能”概念的含义、历史、发展现状、未来趋势，以及当前人工智能的主要支持技术和应用产品、场景进行全面介绍。帮助大家了解人工智能是什么，及其发展过程的来龙去脉。 **本 Chat 只有线上分享，没有文章。**

本课程从知识图谱的历史由来开展，讲述知识图谱与人工智能的关系与现状；知识图谱辐射至各行业领域的应用；在知识图谱关键技术概念与工具的实践应用中，本课程也会讲解知识图谱的构建经验；以及达观在各行业领域系统中的产品开发和系统应用。 报名地址： [https://edu.csdn.net/huiyiCourse/detail/844](https://edu.csdn.net/huiyiCourse/detail/844) ------- 作者简介：桂洪冠，达观数据联合创始人，中国计算机学会 CCF 会员，自然语言处理技术专家。在参与创办达观数据前，曾在腾讯文学、阿里巴巴、新浪微博等知名企业担任数据挖掘高级技术管理工作。 桂洪冠在数据技术领域拥有6项国家发明专利，中国科学技术大学计算机硕士学位。在 AI 大数据架构与核心算法以及 NLP、知识图谱等领域有深厚的积累和丰富的实战经验。

图像处理在理论层面很复杂，但在应用层面却不难入门，笔者是一位土木工程专业毕业生，工作后转行开发，先后做过 VBA、Android、微信小程序、OpenCV 等项目，大部分都是自学，希望能和大家一起用代码探索世界。 我一贯认为想要快速学习某个事物，先要赋予它实际的意义及目标，在达到目标的过程里不知不觉就掌握了它。我本身也是个 OpenCv 初学者，代码比较粗鄙简陋，很多专业术语也不懂，希望读者见谅。 在本次 Chat 中，你将得到一个完整的 OpenCV 入门级项目经验，包括： 1. 使用 OpenCV 进行简单的文件读取、灰度处理、通道分离； 2. 使用 OpenCV 进行中值滤波处理、霍夫圆寻找； 3. 使用 OpenCV 进行自适应二值化处理； 4. 使用 Numpy 的 Fromfunction 函数构建图像条件数组； 5. 使用 Numpy 的 Where 函数进行图像数组的叠加； 6. 使用 PyQt 编写可视化操作层。 参与的小伙伴可提前预习，共同探讨。 [GitHub源码](https://github.com/TangentLu666/eye-impurity-identify)

知识图谱是人工智能三大分支之一——符号主义——在新时期的主要的落地技术方式。该技术虽然在 2012年才得名，但是它的历史渊源，却可以追溯到更早的语义网、描述逻辑、和专家系统。 在该技术的的历史演变中，多次出现发展瓶颈，也多次以工程的方式突破了这些瓶颈。本次公开课将分析知识图谱发展中关键阶段的技术脉络，并提出进一步工程化才是该技术进步的核心方向。 报名地址： [https://edu.csdn.net/huiyiCourse/detail/833](https://edu.csdn.net/huiyiCourse/detail/833) ----- 作者介绍：文因互联 CEO，联合创始人。前三星美国研发中心研究员，伦斯勒理工学院博士后，麻省理工学院分布式信息组 (DIG) 访问研究员，以及雷神BBN技术公司访问科学家。2007 年，他于爱荷华州立大学获得博士学位。 他的研究领域涉及自然语言处理，语义网，机器学习，描述逻辑，信息论，神经网络，图像识别等。发表70多篇论文，曾任 W3C OWL ( Web 本体语言)工作组成员，合作撰写了 OWL2 的 W3C 规范文档。参与组织了50多场国际学术会议和学术研讨会，是中国中文信息学会语言与知识计算专委会委员，W3C 顾问委员会委员，中国计算机协会会刊编委，中文开放知识图谱联盟 (OpenKG) 发起人之一。

是时候学习 AI 了！怎么做我们来教你。 所需环境：64位的 Windows10，Windows8/7 64位下也能安装。机器要有至少 30G 的硬盘空间。   要求：读者需要知道怎么用基本的 GitHub 操作和基本程序开发。 本场 Chat 主要内容： 1. 入门 AI 工具和平台，一键安装的机器学习框架，快速搭建出 AI 开发环境。 2. 训练 AI 模型。 3. 并写出自己的第一个 AI 应用程序。 通过本次 Chat 学习，并编程成功的同学可以在 CSDN 上发布博文，交流经验， 我们评选出最佳博文， 奖励邹欣老师签名图书。

作为国内 OTA 的领头羊，携程每天都在服务着成千上万的旅行者。为了保障旅行者的出行，庞大的携程客服在其中扮演着十分重要的角色。但在客服的日常工作中，有一部分的行为是重复劳动，这对于客服来说是一种资源浪费。如何通过算法来提升客服效率成为技术一大挑战。 本场 Chat 将介绍智能算法如何辅助客服工作，并介绍QA问答背后的技术和难题，以及如何用机器学习和深度学习在提升用户体验和客服效率上进行落地。 本场 Chat 主要内容： 1. QA Chatbot 背后的技术细节和难题； 2. 精细化运营——AI算法如何提升用户体验； 3. 文本挖掘算法如何辅助客服工作。 -------- 作者简介：元凌峰，携程平台中心 AI 研发部资深算法工程师，负责携程智能客服算法研发，对 Chatbot 相关的 NLP 算法和推荐排序等算法感兴趣。2015年硕士毕业于上海交通大学图像模式研究所，后加入携程负责实时用户意图和小诗机等项目。

目前，“深度学习”这一词已经变得越来越普及，生活中也是到处都充斥着这一词汇，同时也有越来越多的人开始想要从事这一行的相关工作，尝试着接触、了解这一行业。 当然，关于这一行业的相关介绍很多，也很杂乱，初学者往往很容易被各种各样的概念搞得很迷惑，即便是计算机从业者有时候也分不清深度学习的很多问题和概念。包括，很多朋友在选择了这个方向以后，依然会感到迷茫，因为有太多的研究方向去做，自然语言处理、语音识别、计算机视觉等等。 本次 Chat希望能够系统的介绍下关于深度学习行业的一些相关知识，引导一些初学者，建立一个相对比较完整的全局观，明白自己到底在学什么以及如何学习这些知识，并用于实际工程实战中。 本次 Chat 课程主要包括以下内容： 1. 深度学习行业应用概述。 2. 如何入行深度学习？ 3. 怎样选择一个合适自己的深度学习研究方向？ 4. 针对自己的研究方向，如何展开调研、学习和实验？ 5. 深度学习工程实战如何展开？ 6. 答疑。 最后，提醒大家：有什么问题想要知道的，可以提前到我的微信公众号《白话机器学习》下面留言，我会针对大家问的最多的问题进行解答。

美团每天有百万级的图片产生量，运营人员负责相关图片的内容审核，对涉及法律风险及不符合平台规定的图片进行删除操作。由于图片数量巨大，人工审核耗时耗力且审核能力有限。另外对于不同审核人员来讲，审核标准难以统一且实时变化。所以有必要借助机器实现智能审核。 图像智能审核一般是指利用图像处理与机器学习相关技术识别图像内容，进而甄别图像是否违规。图像智能审核旨在建立图片自动审核服务，由机器自动禁止不符合规定（负例）的图片类型，自动通过符合规定（正例）的图片类型，机器不确定的图片交由人工审核。因此，衡量智能审核系统性能的指标主要是准确率和自动化率。 ------------ 作者简介：晓明，美团平台智能技术中心视觉技术负责人，曾就职于佳能研究院，三星研究院。2015年加入美团，主要致力于图像和视频相关的技术积累和业务落地，作为技术负责人主导了图像智能审核、首图优选、刷脸认证、拍照录菜等项目的上线，显著提升了用户和商家的智能化体验。 美团平台智能技术中心充分利用人工智能的优势来支持美团点评多个业务线，并在智能推荐、智能营销、智能经营、智能审核等多个领域都取得了很好的应用效果。长期招聘自然语言处理、计算机视觉、大规模机器学习、数据挖掘算法或工程背景的同学。欢迎有意向的同学投递简历至：zhanghejia@meituan.com。

本场 Chat 主要目标是立足于前人肩膀上，从整体上来总览深度学习，图文并茂的解释深度学习概念。适合想转战深度学习的小伙伴，以及刚刚入门深度学习，却为深度学习开发流程而困惑的小伙伴们。 本场 Chat 主要内容： - 何为深度学习； - 分类问题与回归问题； - 监督学习与无监督学习； - 学习及开发流程； - 最小神经元； - 激活函数； - 损失函数； - δ学习规则； - Softmax； - 应用场景； - 如何选择对应的算法。 更精彩内容请查看： 深度学习第二课：神经网络 结合代码 带你 解锁 神经网络

目前情感分析在中文自然语言处理中比较火热，很多场景下，我们都需要用到情感分析。比如，做金融产品量化交易的，需要根据爬取的舆论数据来分析政策和舆论对股市或者基金期货的态度；电商交易，根据买家的评论数据，来分析商品的预售率等等。 因此，本场 Chat 重点从中文自然语言处理角度出发，来实现基于情感词典的中文情感分析。你将学到： 1. 动手实战：快速进行情感分析。 2. 动手实战：快速进行情感分析可视化。 3. 动手实战：使用 Snownlp 训练自己的数据集。 4. 动手实战：简单的bibi弹幕情感分析案例。

在有监督学习方面，笔者已经讲述了基于 ML 和 DL 的中文文本分类。本场 Chat 笔者将在文本相似性度量（聚类重点会用到上一篇中各种距离的度量）的基础上，趁热打铁，在无监督学习方面，完成中文文本的聚类实战。 你将主要学习到如下内容： 1. 无监督学习的研究现状。 2. K-means 方法原理。 3. DBSCAN 方法原理。 4. NMF 方法原理。 5. PCA 降维的原理及步骤。 6. 实战 TF-IDF 的中文文本 K-means 聚类。 7. 实战 Word2Vec 的中文文本 K-means 聚类。 8. 聚类结果的可视化。

本周主要目标在于实现一个可用的循环神经网络。主要内容包括：循环神经网络以及求导（BPTT）、多层循环神经网络、文本向量化以及一个小的文本分类实践。实现过程中使用了 Numpy 用于矩阵运算。文章目的在于脱离编程语言束缚去学习算法，因此可以使用其他编程语言，同时语言中应该包含以下组件：矩阵乘法、矩阵分片。 正文没有使用机器学习库，但由于 Python 语言的速度原因，为了更快获得结果，使用了 Tensorflow 进行了预训练，这个过程不是必须的。文末会附这部分代码。 本周推荐阅读时间：15min。

这几天“差评洗稿”的事情，闹得沸沸扬扬，在《NLP 中文短文本分类项目实践（上）》和《NLP 中文短文本分类项目实践（下）》中，我们了解了文本分类，本场Chat，笔者将从普通技术和自然语言处理的角度来分析如何判断文章的相似性？也许此时你的脑海中已经有了思路，求Hash 值?计算MD5?计算余弦相似度？那如果是文本该如何计算呢？欲知答案，且看本场Chat如何解答。 你将主要学习到如下内容： 1. 常规技术如何判断相似性？ 2. 如何度量文本的相似性？ 3. 实战文本相似性计算和判断。