| 文件名大小修改日期 |
| 第10讲. 深度学习CTR预估模型：要解决的几个关键问题 |
| 第11讲. 离散特征如何让DNN可以处理？（1） |
| 第12讲. 离散特征如何让DNN可以处理？（2） |
| 第13讲. 典型网络融合结构之一：并行结构 |
| 第14讲. 典型网络融合结构之二：串行结构 |
| 第15讲. 模型训练与优化 |
| 第16讲. 互联网公司深度学习CTR案例：Google（1） |
| 第17讲. 互联网公司深度学习CTR案例：Google（2） |
| 第18讲. 互联网公司深度学习CTR案例：阿里巴巴 |
| 第19讲. 互联网公司深度学习CTR案例：京东商城 |
| 第1讲. 深度学习在各个领域的成功 |
| 第20讲. 如何定义图像理解？ |
| 第21讲. 图像理解有哪些研究内容？ |
| 第22讲. 传统图像理解技术：图像分类的问题描述 |
| 第23讲. 传统图像理解技术：图像分类的基本方法（1） |
| 第24讲. 传统图像理解技术：图像分类的基本方法（2） |
| 第25讲. 传统图像理解技术：图像分类的基本方法（3） |
| 第26讲. 传统图像理解技术：图像搜索系统（1） |
| 第27讲. 传统图像理解技术：图像搜索系统（2） |
| 第28讲. 传统图像理解技术：图像搜索系统（3） |
| 第29讲. 深度学习的基础模块 |
| 第2讲. 当深度学习遇到CTR预估 |
| 第30讲. 深度学习的模型设计 |
| 第31讲. 深度学习的训练技巧 |
| 第32讲. 深度学习图像理解技术：图像分类框架 |
| 第33讲. 深度学习图像理解技术：模型加速与优化 |
| 第34讲. 深度学习图像理解技术：物体检测分割与图像分类应用场景 |
| 第35讲. 图像理解进阶 |
| 第36讲. 知识图谱是什么？对我们有何帮助？ |
| 第37讲. 知识图谱的发展回顾 |
| 第38讲. 知识图谱为什么火了？ |
| 第39讲. 知识图谱小结 |
| 第3讲. 传统主流CTR预估方法：线性模型 |
| 第40讲. 知识图谱的生命周期与技术难点 |
| 第41讲. 构建领域知识图谱的挑战与解决方案 |
| 第42讲. 基于非结构化数据的知识抽取 |
| 第43讲. 基于非结构化数据的知识抽取：实体识别 |
| 第45讲. 基于非结构化数据的知识抽取：事件抽取 |
| 第46讲. 基于结构化数据的知识抽取 |
| 第47讲. 知识融合与质量评估 |
| 第48讲. 知识图谱管理之数据模型介绍 |
| 第49讲. 知识图谱管理：图谱存储 |
| 第4讲. 传统主流CTR预估方法：FM模型 |
| 第50讲. 知识计算推理 |
| 第51讲. 基于符号的知识表示与推理：谓词逻辑 |
| 第52讲. 基于符号的知识表示与推理：Semantic Net |
| 第53讲. 基于符号的知识表示与推理：Frame |
| 第54讲. 基于符号的知识表示与推理：Script |
| 第55讲. 基于符号的知识表示与推理：语义网络 |
| 第56讲. 基于分布式语义的知识表示与推理 张量分解模型 |
| 第57讲. 基于分布式语义的知识表示与推理 基于翻译的模型TransE |
| 第58讲. 基于分布式语义的知识表示与推理 神经网络模型 |
| 第59讲. 基于图计算的挖掘分析 |
| 第5讲. 传统主流CTR预估方法：GBDT模型 |
| 第60讲. 知识图谱的行业应用 |
| 第6讲. 深度学习基础模型：前向神经网络（MLP） |
| 第7讲. 深度学习基础模型：CNN |
| 第8讲. 深度学习基础模型：RNN |
| 第9讲. 深度学习基础模型：LSTM |
