人工智能Paper精读班，视频讲解+代码实现
推荐Paper精读，NLP、CV论文不用愁
对许多研究者来说，读人工智能论文是件痛苦的事儿。
但若要知道自己所在的领域被研究成什么样了，避不开要读论文。那么应该如何阅读一篇人工智能相关的论文呢？
你是否经常面临这样的难题：
1、顶会论文越发越多，却不知道到底应该选择读什么样的论文来读？
2、总是一字一句的读，结果读到后面就忘了前面？
3、很多论文读下来云里雾里，抓不住重点，效率极其低下？
4、读读还行，但是要落地到实际项目中，却不知道如何下手？
如果你只是盲目追求论文的数量，读了很多却和没读一样，不搞明白论文的思路和细节，没有抓住核心。时间浪费了，又没有任何收获。
可能你会说，读论文好难！！而且现在论文发表质量参差不齐，该如何挑选？对于一些优秀论文，又该如何寻找论文源代码？如何剖析算法优缺点？如何结合实际应用实施？
别急，针对大家对于论文的要求，我们在经过认真挑选并设计后，从深度之眼推出了我们
设计合理的论文精度模式，带你跟随我们完整进行一篇论文的学习
通过提纲挈领，大维度解读研究背景、研究问题、假设、研究思路和方法、成果及创新点。让我们了解论文研究的未来方向，通过了解假设条件和研究成果，讲解论文的来龙去脉，让我们对论文的整体思路和框架有所了解，让学员对本篇论文有一个概貌性的认识。
我们挑选了不同领域内经典和前沿的论文进行解读，详细讲解算法的具体内容，针对论文中所引用的算法是出自什么经典算法的改进进行分析，同时对算法的优缺点、改进方案、论文的创新点、如何做对比论证进行分析。
对于不同领域，我们会选择合适的论文配套代码，讲解代码的结构、运行思路，针对论文中关键部分对应的重点代码段、调参优化的一些经验等，老师会直接给出代码运行结果图
读论文，最终的目的一定是要加以应用，我们以导师自身经验和企业招聘端为例，讲解该论文在面试过程中，面试官可能会问到的一些问题。给予项目实战落地一些建议。
提供附件内容包括论文原文+中文译文+学习笔记+提供开源代码+数据文件的数据文件，及为了读懂这篇论文可能还需要学习的其他论文资料。
不仅如此，我们针对每篇论文的带学节奏和同学们的阅读节奏，设计了符合我们平时看论文习惯的节奏和模式，一周一篇，每周为一个完整的学习周，每一篇论文都对应一位导师进行精讲
一周流程
通过观看录播视频，让我们对论文有个概貌性的认识，让我们对论文一周内容有大概的安排
在研究论文之前，我们需要对论文有大概的理解，因此我们安排了一天，针对老师布置的任务去通读论文，同时学习一些研究论文之前需要补充的预备知识，通过完成任务内的自测题，对论文有基本的理解
同时，我们也会安排一场针对论文的话题讨论，让同学和老师针对论文话题进行讨论学习，发表自己的观点
讨论主题：
1、多模态情感分析的发展趋势
2、注意力机制的应用
3、Pytorch实现过程有意思的BUG
4、Python深度学习编程的技巧
5、人脸检测/人脸识别精度和复杂度如何取舍？
完成前两天的任务以后，我们会在第三天提供论文的精讲视频，通过观看视频，对论文中最重要的内容进行提取，针对模型/算法/训练技巧，数据集，试验，结果分析等，构建讲解脉络，逐一讲授分析脉络中每一块重要内容，
在第四天，我们会要求大家完成教学计划内老师布置的作业，包括阅读论文和代码实践的作业，再写一篇学习笔记，比如撰写论文小结、代码局部替换或优化心得。记录自己在学习过程中疑难的地方，温故而知新，加深对论文的印象，提高理解深度
第五天，老师会提供视频，把论文中内重要的代码全部讲一遍，让我们理解代码的结构，指导代码的实现方式和调优技巧
让大家根据我们提供的资料和代码先跑一遍，然后再根据老师的思路在此基础上进行进一步的调优和优化，最终和其他同学们对比结果的差异性，互相学习进步
老师在直播期间，会讲解一些论文相关的知识点，并解答同学们在学习本篇论文中出现的问题，包括自己在学习过程中当时没有注意到的点，大家可以在直播当天和老师现场互动
不仅如此，针对问题我们设计了三种维度的答疑
1、导师接受1对1提问，12小时之内保证解决问题
2、每月统一收集问题直播答疑，系统讲解重难点
3、微信群助教及时互动，群友互答
论文有哪些？
我们讲论文以CV和NLP两个领域进行了详细的分类，在选择具有整体/宏观性、经典性、基石性paper的同时，还选用了前沿性和热门且有效方法的paper。首先是两个方向都需要学习的一篇经典论文
《Deep Learning》
由刚获得图灵奖的Yann LeCun, Yoshua Bengio 和 Geoffrey Hinton 三位人工智能大师在Nature上发表的深度学习综述。系统性地讲述了深度学习的特点和优势，列举了计算机视觉CV、自然语言处理NLP、强化学习RL的相关研究。
经典篇：《ImageNet Classification with Deep Convolutional Neural Network》（AlexNet）
跟随近几年卷积神经网络CNN的快速发展和应用，我们选取了由Krizhevsky和 Geoffrey Hinton 在2012年的开山之作，他曾用名为AlexNet的网络结构的CNN取得了当时ImageNet比赛冠军
经典篇：《Very Deep Convolutional Networks for Large-Scale Image Recognition》（VGG）
选用了在2014年ILSVRC竞赛取得亚军的VGG网络，虽然当时竞赛的第一名是GoogLeNet，但是VGG模型在多个迁移学习任务中的表现要优于googLeNet。熟悉AlexNet与VGG后学员再研读后续的ResNet、DenseNet等变型网络结构的论文能更好的融会贯通。
前沿篇：《Region-Based Convolutional Networks for Accurate Object Detection and Segmentation》
随着CV领域目标检测方向，在近几年迅猛的发展，在自动驾驶、安防、人脸检测都有着广泛的应用。而目标检测的演化路线主要有两级式模型和单级式模型。两级式如RCNN，Fast-RCNN，Faster-RCNN，Mask-RCNN等，单级式如SSD
我们首先选取了卷积神经网络应用于目标检测领域的开山之作RCNN，为学员再去研究、理解和应用其后续演化变型结构如Fast-RCNN，Faster-RCNN，Mask-RCNN等就有了坚实的基础。
前沿篇：《SSD: Single Shot MultiBox Detector 》
是Liu W , Anguelov D , Erhan D等人在2016年的European Conference on Computer Vision上发表的文章，该模型在不同的数据集上，如 PASCAL VOC、MS COCO、ILSVRC，都进行了测试。在检测时间、检测精度上，达到了state-of-art 的水平。除此以外，我们还挑选了针对人脸相关的应用：人脸检测，人脸关键点预测，人脸比对，人脸识别，属性识别等等方向的论文
前沿篇：A Discriminative Feature Learning Approach for Deep Face Recognition(center loss)
前沿篇：Facenet: A unified embedding for face recognition and clustering（triplet loss）
我们抽取了三篇论文讲述词向量的发展，一脉相承，从经典到前沿。
经典篇：《Efficient Estimation of Word Representations in Vector Space》
word2vec是将词汇向量化，这样我们就可以进行定量的分析，分析词与词之间的关系，这是one-hot encoding做不到的。Google的Tomas Mikolov 在2013年发表的这篇论文给自然语言处理领域带来了新的巨大变革，提出的两个模型CBOW (Continuous Bag-of-Words Model)和Skip-gram (Continuous Skip-gram Model)，创造性的用预测的方式解决自然语言处理的问题，而不是传统的词频的方法。奠定了后续NLP处理的基石。并将NLP的研究热度推升到了一个新的高度。
经典篇：《Neural Machine Translation by Jointly Learning to Align and Translate》
Attention机制最初由图像处理领域提出，后来被引入到NLP领域用于解决机器翻译的问题，使得机器翻译的效果得到了显著的提升。attention是近几年NLP领域最重要的亮点之一，后续的Transformer和Bert都是基于attention机制。
经典篇：《Transformer: attention is all you need》
这是谷歌与多伦多大学等高校合作发表的论文，提出了一种新的网络框架Transformer，是一种新的编码解码器，与LSTM地位相当。
Transformer是完全基于注意力机制（attention mechanism)的网络框架，使得机器翻译的效果进一步提升，为Bert的提出奠定了基础。该论文2017年发表后引用已经达到1280，GitHub上面第三方复现的star2300余次。可以说是近年NLP界最有影响力的工作，NLP研究人员必看！
前沿篇：《A Convolutional Neural Network for Modelling Sentences》
前沿篇：《fasttext：Bag of Tricks for Efficient Text Classification》
第一篇论文将CNN引入NLP来进行文本分类，巧妙地设计了filter的结构，将n-gram的思想用于NLP，很巧妙。第二篇的思想比较简单，效果很好，效率很高。
前沿篇：《Siamese recurrent architectures for learning sentence similarity》
该篇论文仅仅是Siamese network的一个使用场景。在Kaggle question pair match和国内的很多NLP比赛中，比赛的冠军们无一不使用siamese network，该网络模型在图像、语音等领域也有广泛的应用，是非常实用的模型。
从事深度学习自然语言处理的人，能通过这6篇Paper的授课、精读、代码详解和代码实操，奠定坚实的研究基础。
1 获得正确的阅读Paper的方法
2 获得深度学习领域的研究概貌和前沿知识；
3 洞悉优秀的论文研究团队的研究方法、思路；
4 细化吸收配套代码，快速借鉴用于自己的科研上。
5 完成0-1的构建，举一反三，自主可以高效阅读和复现更多的论文
1、赠送价值1198元为期一年1对1咨询服务，11位重量级人工智能大咖坐镇，全方位解决你的学习困惑
2、每周五热门话题讨论，400+学员的集体头脑风暴，资源、干货、观点一起碰撞
4、超过15家知名互联网企业的内推合作
为保证每位学生得到更好的指导，我们每个班级人数不超过100人。老师将在群里及时和大家答疑互动。
为期7周
（如果你想两个打包售卖，我们可以优惠~详情咨询客服）
报名时间：2019年5月22日—2019年6月3日
支持支付宝花呗分期付款，信用卡分期付款。我们可以帮你付利息！
学习不在于花销多少，而在于你的收获一定要大于付出！
年轻最有效的资本是时间，让我们带你更有效的学习，帮你节约你自己盲目摸索的时间。让你赚取更多的价值！
我们其他训练营的学习氛围
在我们的学习群里，你不仅能接触到更多严格要求自己的人，还能让你的学习效果在深度交流中实现最大化！
如果你还在犹豫，不如看看有多少位学生已经加入学习了
报名情况
1、超过1.9w+学员已加入训练营
2、累积打卡总195683+次
为了鼓励学生坚持学习，按要求完成作业，我们将赠送你如下福利！！打卡全勤将全额返现！不花一分钱，学完整门课！
截止目前我们已累积返现8万余元，还在不断累积
（训练营采取的积分机制，打卡、点评、点赞都会有得到相应的积分，凭积分就可以换取相应奖品！）
此外，积极参加社群活动，还有机会获得【深度之眼】的精美周边产品
学员曾给我们的反馈
我们的模式在往期训练营里做到了零吐槽！零差评！
而我们，还在不断的更新迭代
可上下滑动，查看部分学员评价
（不同方向所带读的论文内容不同，请大家按照自己研究领域选择）
（不同方向所带读的论文内容不同，请大家按照自己研究领域选择）
报名时间：2019年5月22日—2019年6月3日
添加班主任送你免费《Python 基础训练营》
备注：如有任何问题，也请添加班主任微信咨询
开启你的升级之旅
除此以外，我们还有会员专享的十七大训练营，通过系统的课程体系让你从入门进阶到企业实战
购买VIP需添加班主任微信拉群哦！
支持花呗/信用卡分期，我们帮你付全部利息！
订阅须知
Q：课程资料在哪里看？
A：所有的课程资料均会在训练营内上传，报名以后请务必添加客服微信入群！
Q：视频可以电脑看吗？
A：课程视频支持PC端倍速播放。
Q：报名后可以退款吗？
A：本服务为虚拟内容产品，一经购买，概不退款，敬请谅解。
Q：可以开具发票吗？
A：可以开具普通发票，请联系微信班主任填写需要的信息即可。
名企合作
讲师招募
深度之眼首创训练营模式，在不到一年时间已有1.8万名付费学员，我们长期招募兼职讲师，以在线工作为主，分成收入佳。
只要您在一下方面有某一专长：
1、 精读过《深度学习》花书、李航《统计学习方法》、《机器学习》西瓜书等AI类知名书籍，可以开设以此书籍为教材的带读班。
2、系统学过李宏毅的《机器学习》《深度学习》、李飞飞《计算机视觉课》或是国外名校的知名公开课，可以开设以此课程为教材的带学班。
3、打过Kaggle、天池、AI challenger、科赛网、DC等竞赛，并取得过前5的成绩，可带竞赛班
4、如果你自己曾经读过AI类的经典或者前沿论文，并且对论文做过深入的分析和研究，可作为我们的paper精读班老师
5、如果你在企业里面，有参加过实际的企业项目，可以作为我们AI企业项目实战班
我们不需要你全能，只要你在某一个方面特别擅长，即可担任我们的带学导师。
欢迎大家扫客服微信联系我们！
相关内容
微信扫码咨询专知VIP会员