applied ml

ใช้-มล

เอกสาร บทความ และบล็อกที่คัดสรรแล้วเกี่ยวกับ วิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่องจักรในการผลิต

หาวิธีการนำโปรเจ็กต์ ML ของคุณไปใช้อย่างไร เรียนรู้ว่าองค์กรอื่นๆ ทำอย่างไร:

• ปัญหาถูกวางกรอบ อย่างไร (เช่น การปรับเปลี่ยนในแบบของคุณเป็น recsys กับการค้นหาและลำดับ)
• เทคนิคแมชชีนเลิร์นนิง แบบใด ได้ผล ✅ (และบางครั้งแบบใดไม่ได้ผล )
• ทำไม มันถึงได้ผล วิทยาศาสตร์ที่อยู่เบื้องหลังการวิจัย วรรณกรรม และข้อมูลอ้างอิง
• ผลลัพธ์ในโลกแห่งความเป็นจริง ใดบ้าง ที่ได้รับ (เพื่อให้คุณสามารถประเมิน ROI ได้ดีขึ้น ⏰??)

ป.ล. ต้องการบทสรุปของความก้าวหน้าของ ML หรือไม่? ml-surveys

PPS กำลังมองหาคำแนะนำและบทสัมภาษณ์เกี่ยวกับการสมัคร ML อยู่ใช่ไหม? applyingML

สารบัญ

1. คุณภาพของข้อมูล
2. วิศวกรรมข้อมูล
3. การค้นพบข้อมูล
4. ร้านค้าที่มีคุณสมบัติ
5. การจำแนกประเภท
6. การถดถอย
7. การพยากรณ์
8. คำแนะนำ
9. ค้นหาและจัดอันดับ
10. การฝัง
11. การประมวลผลภาษาธรรมชาติ
12. การสร้างแบบจำลองลำดับ
13. คอมพิวเตอร์วิทัศน์
14. การเรียนรู้แบบเสริมกำลัง
15. การตรวจจับความผิดปกติ
16. กราฟ
17. การเพิ่มประสิทธิภาพ
18. การสกัดข้อมูล
19. การกำกับดูแลที่อ่อนแอ
20. รุ่น
21. เสียง
22. การเรียนรู้ของเครื่องที่รักษาความเป็นส่วนตัว
23. การตรวจสอบความถูกต้องและการทดสอบ A/B
24. การจัดการแบบจำลอง
25. ประสิทธิภาพ
26. จริยธรรม
27. อินฟราเรด
28. แพลตฟอร์ม MLOps
29. แนวปฏิบัติ
30. โครงสร้างทีม
31. ล้มเหลว

คุณภาพของข้อมูล

1. การนำเข้าข้อมูลที่เชื่อถือได้และปรับขนาดได้ที่ Airbnb Airbnb 2016
2. การตรวจสอบคุณภาพข้อมูลตามขนาดด้วยการสร้างแบบจำลองทางสถิติ Uber 2017
3. ความท้าทายในการจัดการข้อมูลในการเรียนรู้ของเครื่องการผลิต (กระดาษ) Google 2017
4. การตรวจสอบคุณภาพข้อมูลขนาดใหญ่ (กระดาษ) โดยอัตโนมัติ Amazon 2018
5. พบกับ Hodor — เครื่องมือคุณภาพข้อมูลขั้นต้นของ Gojek Gojek 2019
6. การตรวจสอบข้อมูลสำหรับการเรียนรู้ของเครื่อง (กระดาษ) Google 2019
7. แนวทางด้านคุณภาพข้อมูลสำหรับระบบการตั้งค่าส่วนบุคคลของ Netflix Netflix 2020
8. การปรับปรุงความแม่นยำโดยการประมาณค่าความแน่นอนของการตัดสินใจของมนุษย์ ป้ายกำกับ และผู้ประเมิน (กระดาษ) Facebook 2020

วิศวกรรมข้อมูล

1. Zipline: แพลตฟอร์มการจัดการข้อมูลการเรียนรู้ของเครื่องของ Airbnb Airbnb 2018
2. Sputnik: กรอบงาน Apache Spark ของ Airbnb สำหรับวิศวกรรมข้อมูล Airbnb 2020
3. การแยกเวิร์กโฟลว์ Data Science ด้วย Metaflow และ AWS Step Functions Netflix 2020
4. DoorDash ปรับขนาดแพลตฟอร์มข้อมูลเพื่อสร้างความพึงพอใจให้กับลูกค้าและตอบสนองความต้องการที่เพิ่มขึ้นได้อย่างไร DoorDash 2020
5. ปฏิวัติการเคลื่อนย้ายเงินในวงกว้างด้วยความสม่ำเสมอของข้อมูลที่แข็งแกร่ง Uber 2020
6. Zipline - กรอบงานวิศวกรรมคุณสมบัติที่เปิดเผย Airbnb 2020
7. การปกป้องข้อมูลอัตโนมัติตามขนาด ตอนที่ 1 (ตอนที่ 2) Airbnb 2021
8. โครงสร้างพื้นฐานข้อมูลแบบเรียลไทม์ที่ Uber Uber 2021
9. ขอแนะนำ Fabricator: กรอบงานวิศวกรรมคุณสมบัติที่ประกาศ DoorDash 2022
10. ฟังก์ชั่นและ DAG: ขอแนะนำ Hamilton ซึ่งเป็นไมโครเฟรมเวิร์กสำหรับ Stitch Fix 2021 รุ่นดาต้าเฟรม
11. การเพิ่มประสิทธิภาพกลุ่มการนำเข้าข้อมูลของ Pinterest: การค้นพบและการเรียนรู้ Pinterest 2022
12. บทเรียนที่ได้รับจากการเรียกใช้ Apache Airflow ในระดับ Shopify 2022
13. ทำความเข้าใจการจัดเก็บข้อมูลและการนำเข้าข้อมูลสำหรับโมเดลการแนะนำเชิงลึกขนาดใหญ่ การฝึกอบรม Meta 2022
14. Data Mesh — แพลตฟอร์มการเคลื่อนย้ายและประมวลผลข้อมูล @ Netflix Netflix 2022
15. การสร้างการประมวลผลเหตุการณ์แบบเรียลไทม์ที่ปรับขนาดได้ด้วย Kafka และ Flink DoorDash 2022

การค้นพบข้อมูล

1. Apache Atlas: การกำกับดูแลข้อมูลและกรอบงานข้อมูลเมตาสำหรับ Hadoop (โค้ด) Apache
2. รวบรวม รวบรวม และแสดงภาพข้อมูลเมตา (โค้ด) ของระบบนิเวศข้อมูล WeWork
3. การค้นพบและการใช้ข้อมูลการวิเคราะห์ที่ Twitter Twitter 2016
4. ข้อมูลที่เป็นประชาธิปไตยที่ Airbnb Airbnb 2017
5. Databook: เปลี่ยน Big Data ให้เป็นความรู้ด้วย Metadata ที่ Uber Uber 2018
6. Metacat: ทำให้ Big Data ค้นพบได้และมีความหมายที่ Netflix (โค้ด) Netflix 2018
7. Amundsen - การค้นพบข้อมูลและกลไกข้อมูลเมตาของ Lyft Lyft 2019
8. Open Sourcing Amundsen: การค้นพบข้อมูลและแพลตฟอร์มข้อมูลเมตา (โค้ด) Lyft 2019
9. DataHub: เครื่องมือค้นหาและค้นพบข้อมูลเมตาทั่วไป (โค้ด) LinkedIn 2019
10. อามุนด์เซน: หนึ่งปีต่อมา Lyft 2020
11. การใช้ Amundsen เพื่อสนับสนุนความเป็นส่วนตัวของผู้ใช้ผ่านการรวบรวมข้อมูลเมตาที่ Square Square 2020
12. เปลี่ยนข้อมูลเมตาให้เป็นข้อมูลเชิงลึกด้วย Databook Uber 2020
13. DataHub: คำอธิบายสถาปัตยกรรมเมตาดาต้ายอดนิยม LinkedIn 2020
14. เราปรับปรุงการค้นพบข้อมูลสำหรับนักวิทยาศาสตร์ข้อมูลที่ Spotify Spotify 2020 ได้อย่างไร
15. เราจะแก้ไขความท้าทายในการค้นพบข้อมูลที่ Shopify Shopify 2020 ได้อย่างไร
16. Nemo: การค้นพบข้อมูลบน Facebook Facebook 2020
17. สำรวจ Data @ Netflix (โค้ด) Netflix 2021

ร้านค้าคุณลักษณะ

1. การเดินทางข้ามเวลาแบบกระจายสำหรับการสร้างฟีเจอร์ Netflix 2016
2. การสร้างกราฟกิจกรรม ตอนที่ 2 (ส่วนการจัดเก็บฟีเจอร์) LinkedIn 2017
3. ร้านค้าข้อเท็จจริงตามขนาดสำหรับคำแนะนำของ Netflix Netflix 2018
4. Zipline: แพลตฟอร์มการจัดการข้อมูลการเรียนรู้ของเครื่องของ Airbnb Airbnb 2018
5. Feature Store: ชั้นข้อมูลที่หายไปสำหรับไปป์ไลน์ Machine Learning? Hopsworks 2018
6. ขอแนะนำ Feast: ร้านค้าฟีเจอร์โอเพ่นซอร์สสำหรับการเรียนรู้ของเครื่อง (โค้ด) Gojek 2019
7. Michelangelo Palette: แพลตฟอร์มวิศวกรรมฟีเจอร์ที่ Uber Uber 2019
8. สถาปัตยกรรมที่ขับเคลื่อนฟีเจอร์สโตร์ของ Twitter Twitter 2019
9. เร่งการเรียนรู้ของเครื่องด้วยบริการร้านค้าฟีเจอร์ Condé Nast 2019
10. งานฉลอง: การเชื่อมโยงโมเดล ML และ Data Gojek 2020
11. การสร้างที่เก็บฟีเจอร์ ML ที่ปรับขนาดได้ด้วย Redis, การทำให้เป็นอนุกรมแบบไบนารี และการบีบอัด DoorDash 2020
12. การทดลองอย่างรวดเร็วผ่านมาตรฐาน: พิมพ์คุณสมบัติ AI สำหรับฟีดของ LinkedIn LinkedIn 2020
13. การสร้างร้านค้าฟีเจอร์ Monzo Bank 2020
14. Butterfree: กรอบงานที่ใช้ Spark สำหรับการสร้างร้านค้าฟีเจอร์ (โค้ด) QuintoAndar 2020
15. การสร้างริเวียร่า: กรอบงานวิศวกรรมฟีเจอร์แบบเรียลไทม์ที่ประกาศ DoorDash 2021
16. การค้นพบคุณสมบัติที่เหมาะสมที่สุด: โมเดลการเรียนรู้ของเครื่องที่ดีกว่าและบางกว่าผ่านทฤษฎีข้อมูล Uber 2021
17. ฟีเจอร์ ML ที่ให้บริการโครงสร้างพื้นฐานที่ Lyft Lyft 2021
18. ฟีเจอร์ที่ใกล้เคียงเรียลไทม์สำหรับ LinkedIn 2022 ที่เป็นส่วนตัวแบบเกือบเรียลไทม์
19. การสร้างโมเดลเบื้องหลังการเลือกผู้ค้าที่กว้างขวางของ DoorDash DoorDash 2022
20. Open Source Featherhr – ร้านค้าฟีเจอร์ของ LinkedIn สำหรับการเรียนรู้ของเครื่องอย่างมีประสิทธิผล LinkedIn 2022
21. วิวัฒนาการของ ML Fact Store Netflix 2022
22. การพัฒนาวิศวกรรมฟีเจอร์ที่ปรับขนาดได้ DAGs Metaflow + Hamilton ผ่าน Outerbounds 2022
23. การออกแบบร้านค้าฟีเจอร์ที่ Constructor Constructor.io 2023

การจำแนกประเภท

1. การคาดการณ์การเลิกใช้งานของผู้ลงโฆษณาสำหรับ Google AdWords (กระดาษ) Google 2010
2. การจำแนกเอกสารที่ใช้วลีที่มีความแม่นยำสูงในระดับสมัยใหม่ (กระดาษ) LinkedIn 2011
3. Chimera: การจำแนกประเภทขนาดใหญ่โดยใช้ Machine Learning กฎเกณฑ์ และ Crowdsourcing (กระดาษ) Walmart 2014
4. การจัดหมวดหมู่สินค้าขนาดใหญ่ในอีคอมเมิร์ซโดยใช้เครือข่ายประสาทเทียมที่เกิดซ้ำหลายรายการ (กระดาษ) NAVER 2016
5. การเรียนรู้ที่จะวินิจฉัยด้วยโครงข่ายประสาทเทียมที่เกิดซ้ำ LSTM (กระดาษ) Google 2017
6. การค้นพบและการจัดประเภทข้อความในแอพที่ Airbnb Airbnb 2019
7. เครื่องช่วยสอน Triage Firefox Bugs Mozilla 2019
8. การจัดหมวดหมู่ผลิตภัณฑ์ตามขนาด Shopify 2020
9. เราสร้างฟีเจอร์ประเด็นแรกที่ดีได้อย่างไร GitHub 2020
10. ทดสอบ Firefox อย่างมีประสิทธิภาพมากขึ้นด้วย Machine Learning Mozilla 2020
11. การใช้ ML กับผู้ป่วยชนิดย่อยที่ได้รับการแทรกแซงด้านสุขภาพจิตดิจิทัล (กระดาษ) Microsoft 2020
12. การจัดประเภทข้อมูลที่ปรับขนาดได้เพื่อความปลอดภัยและความเป็นส่วนตัว (กระดาษ) Facebook 2020
13. เปิดเผยแนวทางปฏิบัติที่ดีที่สุดสำหรับเมนูจัดส่งออนไลน์ด้วย Machine Learning DoorDash 2020
14. การใช้ Human-in-the-Loop เพื่อเอาชนะปัญหา Cold Start ในรายการเมนู การแท็ก DoorDash 2020
15. การเรียนรู้เชิงลึก: การจัดหมวดหมู่ผลิตภัณฑ์และชั้นวาง Walmart 2021
16. การจัดหมวดหมู่สินค้าขนาดใหญ่สำหรับอีคอมเมิร์ซ (กระดาษ) DianPing , eBay 2012
17. การแสดงฉลากความหมายพร้อมแอปพลิเคชันเกี่ยวกับการจัดหมวดหมู่ผลิตภัณฑ์หลายรูปแบบ Walmart 2022
18. การสร้างหมวดหมู่ Airbnb ด้วย ML และ Human-in-the-Loop Airbnb 2022

การถดถอย

1. การใช้การเรียนรู้ของเครื่องเพื่อทำนายมูลค่าบ้านบน Airbnb Airbnb 2017
2. การใช้การเรียนรู้ของเครื่องเพื่อคาดการณ์มูลค่าของคำขอโฆษณา Twitter 2020
3. Riskquant แบบโอเพ่นซอร์ส ไลบรารีสำหรับระบุความเสี่ยงเชิงปริมาณ (โค้ด) Netflix 2020
4. การแก้ปัญหาข้อมูลที่ตรวจไม่พบในโมเดลการถดถอยโดยใช้การปรับข้อมูลอย่างง่าย DoorDash 2020

การพยากรณ์

1. การพยากรณ์เหตุการณ์สุดขีดทางวิศวกรรมที่ Uber ด้วย RNN Uber 2017
2. การคาดการณ์ที่ Uber: บทนำ Uber 2018
3. พลิกโฉมการพยากรณ์ทางการเงินด้วยวิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่องที่ Uber Uber 2018
4. ภายใต้การดูแลของเครื่องมือพยากรณ์อัตโนมัติของ Gojek Gojek 2019
5. BusTr: การคาดการณ์เวลาเดินทางด้วยรถบัสจากการจราจรแบบเรียลไทม์ (กระดาษ, วิดีโอ) Google 2020
6. การฝึกอบรมโมเดล Machine Learning อีกครั้งในช่วงที่เกิดวิกฤตโควิด-19 DoorDash 2020
7. การพยากรณ์อัตโนมัติโดยใช้ Prophet, Databricks, Delta Lake และ MLflow (กระดาษ, รหัส) Atlassian 2020
8. ขอแนะนำ Orbit แพ็คเกจโอเพ่นซอร์สสำหรับการอนุมานและการพยากรณ์อนุกรมเวลา (กระดาษ วิดีโอ โค้ด) Uber 2021
9. การจัดการสมดุลอุปสงค์และอุปทานผ่านการเรียนรู้ของเครื่อง DoorDash 2021
10. Greykite: ไลบรารีการพยากรณ์ที่ยืดหยุ่น ใช้งานง่าย และรวดเร็ว LinkedIn 2021
11. ประวัติความเป็นมาของอัลกอริธึมการคาดการณ์ของ Amazon Amazon 2021
12. DeepETA: Uber คาดการณ์เวลามาถึงโดยใช้ Deep Learning Uber 2022 อย่างไร
13. การคาดการณ์ปริมาณการสั่งซื้อของ Grubhub ตามขนาด Grubhub 2022
14. การพยากรณ์เชิงสาเหตุที่ Lyft (ตอนที่ 1) Lyft 2022

คำแนะนำ

1. คำแนะนำของ Amazon.com: การกรองการทำงานร่วมกันแบบรายการต่อรายการ (กระดาษ) Amazon 2003
2. คำแนะนำของ Netflix: เหนือกว่า 5 ดาว (ตอนที่ 1 (ตอนที่ 2) Netflix 2012
3. การแนะนำเพลงทำงานอย่างไร — และใช้งานไม่ได้ Spotify 2012
4. เรียนรู้ที่จะจัดอันดับข้อเสนอแนะด้วย k -Order Statistic Loss (Paper) Google 2013
5. การแนะนำเพลงบน Spotify ด้วย Deep Learning Spotify 2014
6. การเรียนรู้โฮมเพจส่วนบุคคล Netflix 2015
7. ระบบผู้แนะนำ Netflix: อัลกอริทึม มูลค่าทางธุรกิจ และนวัตกรรม (เอกสาร) Netflix 2015
8. คำแนะนำตามเซสชันด้วยโครงข่ายประสาทเทียมที่เกิดซ้ำ (กระดาษ) Telefonica 2016
9. โครงข่ายประสาทเทียมระดับลึกสำหรับคำแนะนำของ YouTube YouTube 2016
10. อีคอมเมิร์ซในกล่องจดหมายของคุณ: คำแนะนำผลิตภัณฑ์ตามขนาด (กระดาษ) Yahoo 2016
11. To Be Continued: ช่วยคุณค้นหารายการเพื่อรับชมต่อบน Netflix Netflix 2016
12. คำแนะนำส่วนบุคคลใน LinkedIn Learning LinkedIn 2016
13. คำแนะนำช่องส่วนบุคคลใน Slack Slack 2016
14. การแนะนำผลิตภัณฑ์เสริมในการแจ้งเตือนแบบพุชอีคอมเมิร์ซ (กระดาษ) Alibaba 2017
15. การปรับแต่งอาร์ตเวิร์คในแบบของคุณที่ Netflix Netflix 2017
16. มุมมองการเรียนรู้เมตาเกี่ยวกับคำแนะนำเริ่มเย็นสำหรับรายการ (กระดาษ) Twitter 2017
17. Pixie: ระบบสำหรับแนะนำสินค้ากว่า 3 พันล้านรายการให้กับผู้ใช้กว่า 200 ล้านคนแบบเรียลไทม์ (บนกระดาษ) Pinterest 2017
18. ขับเคลื่อนการค้นหาและคำแนะนำที่ DoorDash DoorDash 2017
19. วิธีที่ 20th Century Fox ใช้ ML เพื่อทำนายจำนวนผู้ชมภาพยนตร์ (กระดาษ) 20th Century Fox 2018
20. คำแนะนำที่ปรับเทียบแล้ว (กระดาษ) Netflix 2018
21. การค้นพบอาหารด้วย Uber Eats: คำแนะนำสำหรับ Marketplace Uber 2018
22. สำรวจ ใช้ประโยชน์ และอธิบาย: ปรับเปลี่ยนคำแนะนำที่อธิบายได้ในแบบของคุณด้วย Bandits (กระดาษ) Spotify 2018
23. ระบบค้นหาและแนะนำผู้ที่มีความสามารถพิเศษที่ LinkedIn: ความท้าทายเชิงปฏิบัติและบทเรียนที่ได้รับ (กระดาษ) LinkedIn 2018
24. หม้อแปลงลำดับพฤติกรรมสำหรับคำแนะนำอีคอมเมิร์ซในอาลีบาบา (กระดาษ) Alibaba 2019
25. SDM: โมเดลการจับคู่เชิงลึกตามลำดับสำหรับระบบผู้แนะนำขนาดใหญ่ออนไลน์ (กระดาษ) Alibaba 2019
26. เครือข่ายหลากหลายความสนใจพร้อมการกำหนดเส้นทางแบบไดนามิกสำหรับคำแนะนำที่ Tmall (กระดาษ) Alibaba 2019
27. คำแนะนำส่วนบุคคลสำหรับประสบการณ์การใช้การเรียนรู้เชิงลึก TripAdvisor 2019
28. ขับเคลื่อนโดย AI: ระบบแนะนำสำรวจของ Instagram Facebook 2019
29. การสุ่มตัวอย่างชายขอบสำหรับ Slate Bandits (กระดาษ) Netflix 2019
30. การค้นพบอาหารด้วย Uber Eats: การใช้การเรียนรู้ด้วยกราฟเพื่อขับเคลื่อนคำแนะนำ Uber 2019
31. คำแนะนำเพลงที่ Spotify Spotify 2019
32. การใช้การเรียนรู้ของเครื่องเพื่อคาดเดาไฟล์ที่คุณต้องการถัดไป (ตอนที่ 1) Dropbox 2019
33. การใช้ Machine Learning เพื่อคาดเดาไฟล์ที่คุณต้องการถัดไป (ตอนที่ 2) Dropbox 2019
34. การเรียนรู้ที่จะเกี่ยวข้อง: วิวัฒนาการของระบบการแนะนำหลักสูตร ( PAPER NEEDED ) LinkedIn 2019
35. คำแนะนำชั่วคราว-ตามบริบทแบบเรียลไทม์ (กระดาษ) Amazon 2020
36. P-Companion: กรอบการทำงานสำหรับการแนะนำผลิตภัณฑ์เสริมที่หลากหลาย (กระดาษ) Amazon 2020
37. ความสนใจอย่างลึกซึ้งด้วยเครือข่ายความสนใจแบบลำดับชั้นสำหรับการทำนายอัตราการคลิกผ่าน (กระดาษ) Alibaba 2020
38. TPG-DNN: วิธีการทำนายเจตนาของผู้ใช้ด้วยการเรียนรู้แบบมัลติทาสก์ (กระดาษ) Alibaba 2020
39. PURS: ระบบผู้แนะนำที่ไม่คาดคิดส่วนบุคคลเพื่อปรับปรุงความพึงพอใจของผู้ใช้ (กระดาษ) Alibaba 2020
40. กรอบการทำงานหลายความสนใจที่ควบคุมได้สำหรับคำแนะนำ (กระดาษ) Alibaba 2020
41. MiNet: เครือข่ายความสนใจแบบผสมผสานสำหรับการทำนายอัตราการคลิกผ่านข้ามโดเมน (กระดาษ) Alibaba 2020
42. ATBRG: เครือข่ายกราฟเชิงสัมพันธ์เป้าหมายและพฤติกรรมแบบปรับตัวเพื่อคำแนะนำที่มีประสิทธิภาพ (กระดาษ) Alibaba 2020
43. สำหรับหูของคุณเท่านั้น: ปรับแต่งหน้าแรกของ Spotify ด้วยการเรียนรู้ของเครื่อง Spotify 2020
44. เข้าถึงตำแหน่งสูงสุด: Spotify สร้างทางลัดในเวลาเพียงหกเดือน Spotify 2020 ได้อย่างไร
45. การฝังผู้ใช้ตามบริบทและตามลำดับสำหรับการแนะนำเพลงขนาดใหญ่ (กระดาษ) Spotify 2020
46. วิวัฒนาการของ Kit: การทำการตลาดอัตโนมัติโดยใช้การเรียนรู้ของเครื่อง Shopify 2020
47. เจาะลึก AI ที่อยู่เบื้องหลังการแนะนำหลักสูตรใน LinkedIn Learning (ตอนที่ 1) LinkedIn 2020
48. เจาะลึก AI ที่อยู่เบื้องหลังการแนะนำหลักสูตรใน LinkedIn Learning (ตอนที่ 2) LinkedIn 2020
49. การสร้างระบบแนะนำเครือข่ายโซเชียลที่แตกต่าง LinkedIn 2020
50. TikTok แนะนำวิดีโอ #ForYou ByteDance 2020 อย่างไร
51. Zero-Shot Heterogeneous Transfer Learning จาก RecSys ไปสู่การดึงข้อมูลการค้นหาแบบเริ่มเย็น (กระดาษ) Google 2020
52. ปรับปรุงเครือข่าย Deep & Cross สำหรับการเรียนรู้ข้ามคุณลักษณะในระบบ LTR ระดับเว็บ (กระดาษ) Google 2020
53. การสุ่มตัวอย่างเชิงลบแบบผสมเพื่อการเรียนรู้โครงข่ายประสาทเทียมแบบสองหอคอยในคำแนะนำ (กระดาษ) Google 2020
54. ข้อมูลในอนาคตช่วยฝึกอบรม: การสร้างแบบจำลองบริบทในอนาคตสำหรับคำแนะนำตามเซสชัน (กระดาษ) Tencent 2020
55. กรณีศึกษาคำแนะนำตามเซสชันในโดเมนการปรับปรุงบ้าน (กระดาษ) Home Depot 2020
56. สร้างสมดุลระหว่างความเกี่ยวข้องและการค้นพบเพื่อสร้างแรงบันดาลใจให้กับลูกค้าในแอพ IKEA (กระดาษ) Ikea 2020
57. วิธีที่เราใช้ AutoML การเรียนรู้แบบมัลติทาสก์ และโมเดลหลายทาวเวอร์สำหรับโฆษณา Pinterest Pinterest 2020
58. การเรียนรู้แบบหลายงานสำหรับคำแนะนำผลิตภัณฑ์ที่เกี่ยวข้องที่ Pinterest Pinterest 2020
59. การปรับปรุงคุณภาพของพินที่แนะนำด้วยการจัดอันดับแบบน้ำหนักเบา Pinterest 2020
60. การเรียนรู้และการสอบเทียบแบบหลายงานสำหรับการจัดอันดับฟีดบ้านตามยูทิลิตี้ Pinterest 2020
61. ตัวกรองอาหารส่วนบุคคลตามความต้องการของลูกค้าและความนิยมในท้องถิ่น DoorDash 2020
62. เราสร้างอัลกอริทึมการจับคู่เพื่อขายผลิตภัณฑ์ต่อเนื่อง Gojek 2020 ได้อย่างไร
63. บทเรียนที่ได้รับการจัดการกับอคติชุดข้อมูลในการสร้างผู้สมัครตามแบบจำลอง (กระดาษ) Twitter 2021
64. การเรียนรู้ด้วยตนเองสำหรับการแนะนำรายการขนาดใหญ่ (กระดาษ) Google 2021
65. การดึงข้อมูลเชิงลึก: โมเดลโครงสร้างการเรียนรู้แบบครบวงจรสำหรับคำแนะนำขนาดใหญ่ (กระดาษ) ByteDance 2021
66. การใช้ AI เพื่อช่วยผู้เชี่ยวชาญด้านสุขภาพรับมือกับการแพร่ระบาดของโควิด-19 Facebook 2021
67. ระบบแนะนำผู้ลงโฆษณาที่ Pinterest Pinterest 2021
68. ในระบบการแนะนำของ YouTube YouTube 2021
69. "คุณแน่ใจหรือไม่": ข้อมูลเชิงลึกเบื้องต้นจากการปรับขนาดการเปรียบเทียบผลิตภัณฑ์ไปยังร้านค้าหลายแห่ง Coveo 2021
70. Mozrt ระบบแนะนำการเรียนรู้เชิงลึกที่เสริมศักยภาพให้กับ Walmart Store Associates Walmart 2021
71. การทำความเข้าใจการจัดเก็บข้อมูลและการนำเข้าข้อมูลสำหรับการฝึกอบรมโมเดลการแนะนำเชิงลึกขนาดใหญ่ (กระดาษ) Meta 2021
72. ผู้แนะนำการสนทนาของ Amazon Music กำลังเข้าสู่โน้ตที่ถูกต้อง Amazon 2022
73. คำแนะนำผลิตภัณฑ์เสริมส่วนบุคคล (กระดาษ) Amazon 2022
74. การสร้างระบบการดึงข้อมูลโดยใช้การเรียนรู้เชิงลึกสำหรับคำแนะนำส่วนบุคคล eBay 2022
75. วิธีที่เราสร้าง: โมเดลแมชชีนเลิร์นนิงในระยะเริ่มแรกสำหรับคำแนะนำ Peloton 2022
76. บทเรียนที่ได้รับจากการสร้างระบบผู้แนะนำแบบ Context-Aware Peloton 2022
77. นอกเหนือจากการแยกตัวประกอบเมทริกซ์: การใช้ฟีเจอร์ไฮบริดสำหรับคำแนะนำทางธุรกิจของผู้ใช้ Yelp 2022
78. การปรับปรุงการจับคู่งานด้วยฟีเจอร์กิจกรรมการเรียนรู้ของเครื่อง LinkedIn 2022
79. ทำความเข้าใจการจัดเก็บข้อมูลและการนำเข้าข้อมูลสำหรับโมเดลการแนะนำเชิงลึกขนาดใหญ่ การฝึกอบรม Meta 2022
80. พิมพ์เขียวสำหรับสถาปัตยกรรมระบบผู้แนะนำ: Xavier Amatriain ฉบับครบรอบ 10 ปี 2022
81. Pinterest ใช้ประโยชน์จากการกระทำของผู้ใช้แบบเรียลไทม์ในคำแนะนำเพื่อเพิ่มปริมาณการมีส่วนร่วมของโฮมฟีด Pinterest 2022 ได้อย่างไร
82. RecSysOps: แนวทางปฏิบัติที่ดีที่สุดสำหรับการใช้งานระบบผู้แนะนำขนาดใหญ่ Netflix 2022
83. API ที่แนะนำ: โครงสร้างพื้นฐานการเรียนรู้ของเครื่องแบบครบวงจรแบบครบวงจรเพื่อสร้างคำแนะนำ Slack 2022
84. อัลกอริทึมคำแนะนำการแทนที่ของ DoorDash ที่กำลังพัฒนา DoorDash 2022
85. คำแนะนำหน้าแรกพร้อมการใช้ประโยชน์และการสำรวจ DoorDash 2022
86. การอนุมาน ML ที่เร่งด้วย GPU ที่ Pinterest Pinterest 2022
87. การแก้ไขปัญหาคุณลักษณะที่สับสนสำหรับคำแนะนำเชิงสาเหตุ (กระดาษ) Tencent 2022

ค้นหาและจัดอันดับ

1. Amazon Search: ความสุขของการจัดอันดับผลิตภัณฑ์ (กระดาษ วิดีโอ รหัส) Amazon 2016
2. Lazada จัดอันดับผลิตภัณฑ์เพื่อปรับปรุงประสบการณ์ของลูกค้าและ Conversion Lazada 2016 อย่างไร
3. การจัดอันดับความเกี่ยวข้องในการค้นหาของ Yahoo (กระดาษ) Yahoo 2016
4. การเรียนรู้เพื่อจัดอันดับผลการค้นหาส่วนบุคคลในเครือข่ายมืออาชีพ (กระดาษ) LinkedIn 2016
5. การใช้การเรียนรู้เชิงลึกตามขนาดในไทม์ไลน์ของ Twitter Twitter 2017
6. แนวทางที่ใช้ทั้งมวลเพื่อทำนายอัตราการคลิกผ่านสำหรับรายการที่ได้รับการโปรโมตที่ Etsy (กระดาษ) Etsy 2017
7. ขับเคลื่อนการค้นหาและคำแนะนำที่ DoorDash DoorDash 2017
8. การประยุกต์ใช้การเรียนรู้เชิงลึกกับการค้นหาของ Airbnb (กระดาษ) Airbnb 2018
9. การกำหนดค่าส่วนบุคคลในเซสชันสำหรับการค้นหาผู้มีความสามารถพิเศษ (กระดาษ) LinkedIn 2018
10. ระบบค้นหาและแนะนำผู้มีความสามารถพิเศษที่ LinkedIn (กระดาษ) LinkedIn 2018
11. การค้นพบอาหารด้วย Uber Eats: สร้างแบบสอบถามเพื่อทำความเข้าใจกลไก Uber 2018
12. การจัดอันดับการรับรู้อิทธิพลซึ่งกันและกันที่ได้รับการปรับให้เหมาะสมทั่วโลกในการค้นหาอีคอมเมิร์ซ (กระดาษ) Alibaba 2018
13. การเสริมกำลังการเรียนรู้เพื่อจัดอันดับในเครื่องมือค้นหาอีคอมเมิร์ซ (กระดาษ) Alibaba 2018
14. การค้นหาผลิตภัณฑ์เชิงความหมาย (กระดาษ) Amazon 2019
15. การจัดอันดับการค้นหาที่ขับเคลื่อนด้วยการเรียนรู้ของเครื่องของประสบการณ์ Airbnb Airbnb 2019
16. โมเดลการค้นหาผู้มีความสามารถส่วนบุคคลของเอนทิตีพร้อมคุณสมบัติการโต้ตอบแบบต้นไม้ (กระดาษ) LinkedIn 2019
17. AI ที่อยู่เบื้องหลังระบบค้นหาและแนะนำผู้สรรหา LinkedIn LinkedIn 2019
18. การเรียนรู้การตั้งค่าการจ้างงาน: AI ที่อยู่เบื้องหลังงาน LinkedIn LinkedIn 2019
19. สูตรลับเบื้องหลังการค้นหาในแบบของคุณ Gojek 2019
20. การค้นหาโค้ดประสาท: การค้นหาโค้ดที่ใช้ ML โดยใช้การสืบค้นภาษาธรรมชาติ Facebook 2019
21. การรวบรวมผลการค้นหาจากแหล่งที่มาที่แตกต่างกันผ่านการเรียนรู้แบบเสริมกำลัง (กระดาษ) Alibaba 2019
22. เครือข่ายความสนใจข้ามโดเมนพร้อม Wasserstein Regularizers สำหรับการค้นหาอีคอมเมิร์ซ Alibaba 2019
23. ทำความเข้าใจการค้นหาให้ดีกว่าที่เคย (กระดาษ) Google 2019
24. วิธีที่เราใช้การค้นหาเชิงความหมายเพื่อทำให้การค้นหาของเราฉลาดขึ้น 10 เท่า Tokopedia 2019
25. Query2vec: การขยายการค้นหาด้วยการฝังแบบสอบถาม GrubHub 2019
26. MOBIUS: มุ่งสู่เจเนอเรชันใหม่ของการจับคู่โฆษณา-ค้นหาใน Baidu 2019 ที่สนับสนุนการค้นหาของ Baidu
27. เหตุใดผู้คนจึงซื้อสินค้าที่ดูเหมือนไม่เกี่ยวข้องในการค้นหาผลิตภัณฑ์ด้วยเสียง (กระดาษ) Amazon 2020
28. การจัดการความหลากหลายในการค้นหา Airbnb (กระดาษ) Airbnb 2020
29. การปรับปรุงการเรียนรู้เชิงลึกสำหรับการค้นหา Airbnb (กระดาษ) Airbnb 2020
30. การจับคู่คุณภาพผ่าน AI ส่วนบุคคลสำหรับผู้จ้างและผู้หางาน LinkedIn 2020
31. ทำความเข้าใจกับ Dwell Time เพื่อปรับปรุงอันดับฟีดของ LinkedIn LinkedIn 2020
32. การจัดสรรโฆษณาในฟีดผ่านการเพิ่มประสิทธิภาพที่จำกัด (กระดาษ วิดีโอ) LinkedIn 2020
33. ทำความเข้าใจกับ Dwell Time เพื่อปรับปรุงอันดับฟีดของ LinkedIn LinkedIn 2020
34. AI ในระดับใหญ่ใน Bing Microsoft 2020
35. สืบค้นกลไกการทำความเข้าใจใน Traveloka Universal Search Traveloka 2020
36. การจัดอันดับผลิตภัณฑ์ Bayesian ที่ Wayfair Wayfair 2020
37. COLD: สู่ระบบการจัดอันดับล่วงหน้ารุ่นต่อไป (กระดาษ) Alibaba 2020
38. เลือกซื้อรูปลักษณ์: การสร้างระบบการช็อปปิ้งด้วยภาพขนาดใหญ่ที่ Pinterest (กระดาษ, วิดีโอ) Pinterest 2020
39. ขับเคลื่อนการช้อปปิ้งให้เพิ่มยอดขายจากการค้นหาของ Pinterest Pinterest 2020
40. GDMix: กรอบการทำงานส่วนบุคคลที่มีการจัดอันดับเชิงลึก (รหัส) LinkedIn 2020
41. นำการค้นหาส่วนบุคคลมาสู่ Etsy Etsy 2020
42. การสร้างเครื่องมือค้นหาที่ดีขึ้นสำหรับ Semantic Scholar Allen Institute for AI 2020
43. ความเข้าใจแบบสอบถามสำหรับการค้นหาองค์กรภาษาธรรมชาติ (กระดาษ) Salesforce 2020
44. สิ่งที่ไม่ใช่เงื่อนไข: ทำความเข้าใจจุดประสงค์ในการค้นหาด้วยการจดจำ DoorDash 2020 ได้ดียิ่งขึ้น
45. ทำความเข้าใจเกี่ยวกับแบบสอบถามสำหรับการแสดงเนื้อหาเพลงที่ให้บริการน้อย (กระดาษ) Spotify 2020
46. การดึงข้อมูลแบบฝังในการค้นหาบน Facebook (กระดาษ) Facebook 2020
47. สู่การดึงข้อมูลส่วนบุคคลและความหมายสำหรับการค้นหาอีคอมเมิร์ซผ่านการฝังการเรียนรู้ (กระดาษ) JD 2020
48. ราชินี: การเขียนคิวรีแบบนิวรัลในอีคอมเมิร์ซ (กระดาษ) Amazon 2021
49. การใช้การเรียนรู้เพื่อจัดอันดับเพื่อค้นหาตำแหน่งที่จะจัดส่งพัสดุ (กระดาษ) อย่างแม่นยำ Amazon 2021
50. ความเกี่ยวข้องตามฤดูกาลในการค้นหาอีคอมเมิร์ซ (กระดาษ) Amazon 2021
51. กราฟเครือข่ายความตั้งใจสำหรับการทำนายอัตราการคลิกผ่านในการค้นหาที่สนับสนุน (กระดาษ) Alibaba 2021
52. เราสร้างระบบการเสนอราคาเฉพาะบริบทสำหรับโฆษณา Etsy Etsy 2021 ได้อย่างไร
53. การจัดอันดับตามโมเดลภาษาที่ได้รับการฝึกอบรมล่วงหน้าใน Baidu Search (Paper) Baidu 2021
54. เย็บช่องว่างเข้าด้วยกันสำหรับคำแนะนำตามคำค้นหา Stitch Fix 2021
55. การประมวลผลภาษาธรรมชาติเชิงลึกสำหรับระบบค้นหาของ LinkedIn (กระดาษ) LinkedIn 2021
56. โมเดลที่ใช้ Siamese BERT สำหรับการจัดอันดับความเกี่ยวข้องของการค้นเว็บ (กระดาษ, รหัส) Seznam 2021
57. SearchSage: การเรียนรู้การแสดงคำค้นหาที่ Pinterest Pinterest 2021
58. Query2Prod2Vec: การฝังคำที่มีเหตุผลสำหรับอีคอมเมิร์ซ Coveo 2021
59. 3 การเปลี่ยนแปลงเพื่อขยายการค้นหาผลิตภัณฑ์ของ DoorDash นอกเหนือจากการจัดส่ง DoorDash 2022
60. เรียนรู้การจัดอันดับ Airbnb ที่หลากหลาย 2022
61. วิธีเพิ่มประสิทธิภาพการจัดอันดับด้วย Cascade Bandits Expedia 2022
62. คำแนะนำเกี่ยวกับระบบการจัดอันดับการค้นหาของ Google Google 2022
63. การเรียนรู้เชิงลึกสำหรับการจัดอันดับการค้นหาที่ Etsy Etsy 2022
64. ค้นหาที่ Calm Calm 2022

การฝัง

1. การแสดงเวกเตอร์ของสิ่งของ ลูกค้า และรถเข็นเพื่อสร้างระบบการแนะนำ (กระดาษ) Sears 2017
2. การฝังสินค้าโภคภัณฑ์นับพันล้านสำหรับคำแนะนำอีคอมเมิร์ซในอาลีบาบา (กระดาษ) Alibaba 2018
3. การฝัง@Twitter Twitter 2018
4. การฝังรายการในการจัดอันดับการค้นหา (กระดาษ) Airbnb 2018
5. ทำความเข้าใจกับ Stitch Fix สไตล์แฝง 2018
6. สู่การเรียนรู้เชิงลึกและการเป็นตัวแทนสำหรับการค้นหาผู้มีความสามารถพิเศษที่ LinkedIn (กระดาษ) LinkedIn 2018
7. ฟีดร้านค้าส่วนบุคคลพร้อม Vector Embeddings DoorDash 2018
8. เราควรฝังไหม? การศึกษาประสิทธิภาพของการฝังสำหรับคำแนะนำแบบเรียลไทม์ (กระดาษ) Moshbit 2019
9. การเรียนรู้ของเครื่องเพื่อประสบการณ์นักพัฒนาที่ดีขึ้น Netflix 2020
10. ประกาศ ScaNN: การค้นหาความคล้ายคลึงกันของเวกเตอร์ที่มีประสิทธิภาพ (กระดาษ, รหัส) Google 2020
11. BERT เดินหน้าชอปปิ้ง: การเปรียบเทียบโมเดลการจัดจำหน่ายสำหรับการนำเสนอผลิตภัณฑ์ Coveo 2021
12. การฝังที่มาจากความเย็น: การปรับปรุงเวกเตอร์สำหรับผลิตภัณฑ์ใหม่และหายากด้วยการอนุมานตามเนื้อหา Coveo 2022
13. การเรียกค้นแบบฝังที่ Scribd Scribd 2021
14. การเพิ่มประสิทธิภาพไฮเปอร์พารามิเตอร์หลายวัตถุประสงค์ของการฝังเพลงเชิงพฤติกรรม (กระดาษ) Apple 2022
15. การฝังในระดับ Spotify - มันจะยากแค่ไหน? Spotify 2023

การประมวลผลภาษาธรรมชาติ

1. การตรวจจับภาษาที่ไม่เหมาะสมในเนื้อหาผู้ใช้ออนไลน์ (กระดาษ) Yahoo 2016
2. สมาร์ทรีพลาย: คำแนะนำการตอบกลับอัตโนมัติสำหรับอีเมล (กระดาษ) Google 2016
3. การสร้างการตอบกลับอย่างชาญฉลาดสำหรับข้อความของสมาชิก LinkedIn 2017
4. การประมวลผลภาษาธรรมชาติช่วยให้สมาชิก LinkedIn รับการสนับสนุนได้อย่างง่ายดาย LinkedIn 2019
5. Gmail Smart Compose: การเขียนแบบเรียลไทม์พร้อมความช่วยเหลือ (กระดาษ) Google 2019
6. โมเดลการสนทนาจากต้นทางถึงปลายทางที่มุ่งเน้นเป้าหมายพร้อมฟีเจอร์โปรไฟล์ในสภาพแวดล้อมจริง (กระดาษ) Amazon 2019
7. Give Me Jeans ไม่ใช่รองเท้า: วิธีที่ BERT ช่วยเราส่งมอบสิ่งที่ลูกค้าต้องการ Stitch Fix 2019
8. DeText: กรอบงาน NLP เชิงลึกสำหรับการทำความเข้าใจข้อความอัจฉริยะ (โค้ด) LinkedIn 2020
9. SmartReply สำหรับผู้สร้าง YouTube Google 2020
10. การใช้โครงข่ายประสาทเทียมเพื่อค้นหาคำตอบในตาราง (กระดาษ) Google 2020
11. แนวทางที่ปรับขนาดได้เพื่อลดอคติทางเพศใน Google Translate Google 2020
12. AI ช่วยเหลือทำให้การตอบกลับ Microsoft 2020 ง่ายขึ้น
13. AI ก้าวหน้าในการตรวจจับคำพูดแสดงความเกลียดชังได้ดียิ่งขึ้น Facebook 2020
14. Chatbot โอเพ่นซอร์สที่ล้ำสมัย (กระดาษ) Facebook 2020
15. ระบบแปลงข้อความเป็นคำพูดแบบเรียลไทม์ประสิทธิภาพสูงที่ใช้งานบน CPUs Facebook 2020
16. การเรียนรู้เชิงลึกในการแปลระหว่างภาษาการเขียนโปรแกรม (กระดาษ, โค้ด) Facebook 2020
17. การปรับใช้การเรียนรู้บทสนทนาแบบโอเพ่นโดเมนตลอดชีวิต (กระดาษ) Facebook 2020
18. ขอแนะนำ Dynabench: คิดใหม่เกี่ยวกับวิธีที่เราเปรียบเทียบ AI Facebook 2020
19. Gojek ใช้ NLP เพื่อตั้งชื่อสถานที่รับสินค้าในระดับ Gojek 2020 อย่างไร
20. Chatbot แบบโอเพ่นโดเมนที่ทันสมัยในภาษาจีนและอังกฤษ (กระดาษ) Baidu 2020
21. PEGASUS: โมเดลล้ำสมัยสำหรับการสรุปข้อความเชิงนามธรรม (กระดาษ, โค้ด) Google 2020
22. Photon: ระบบแปลงข้อความเป็น SQL ข้ามโดเมนที่แข็งแกร่ง (กระดาษ) (สาธิต) Salesforce 2020
23. GeDi: วิธีการใหม่อันทรงพลังสำหรับการควบคุมโมเดลภาษา (กระดาษ, โค้ด) Salesforce 2020
24. การใช้การสร้างแบบจำลองหัวข้อเพื่อปรับปรุงการปฏิบัติงานของศูนย์บริการทางโทรศัพท์ RICOH 2020
25. WIDeText: กรอบการเรียนรู้เชิงลึกหลายรูป Airbnb 2020
26. Dynaboard: ก้าวไปไกลกว่าความแม่นยำสู่การประเมินโมเดลแบบองค์รวมใน NLP (โค้ด) Facebook 2021
27. วิธีที่เราลดรันไทม์ความคล้ายคลึงกันของข้อความลง 99.96% Microsoft 2021
28. Textless NLP: การสร้างคำพูดที่สื่ออารมณ์จากเสียงดิบ (ตอนที่ 1) (ตอนที่ 2) (ตอนที่ 3) (โค้ดและโมเดลที่ได้รับการฝึกล่วงหน้า) Facebook 2021
29. การแก้ไขไวยากรณ์ขณะพิมพ์บน Pixel 6 Google 2021
30. สรุปที่สร้างขึ้นอัตโนมัติใน Google เอกสาร Google 2022
31. การเติมโค้ดที่ปรับปรุงด้วย ML ช่วยปรับปรุงประสิทธิภาพการทำงานของนักพัฒนา Google 2022
32. คำพูดทั้งหมดลง — การวิเคราะห์ความรู้สึกของการสนทนา PayPal 2022

การสร้างแบบจำลองลำดับ

1. Doctor AI: การทำนายเหตุการณ์ทางคลินิกผ่านโครงข่ายประสาทเทียมที่เกิดซ้ำ (กระดาษ) Sutter Health 2015
2. การเรียนรู้เชิงลึกเพื่อทำความเข้าใจประวัติผู้บริโภค (กระดาษ) Zalando 2016
3. การใช้แบบจำลองโครงข่ายประสาทเทียมที่เกิดซ้ำเพื่อการตรวจหาการโจมตีของภาวะหัวใจล้มเหลว (กระดาษ) ในระยะเริ่มต้น Sutter Health 2016
4. การคาดการณ์อย่างต่อเนื่องของการเข้าร่วมการแจ้งเตือนด้วย Classical และ Deep Networks (Paper) Telefonica 2017
5. การเรียนรู้เชิงลึกสำหรับบันทึกสุขภาพอิเล็กทรอนิกส์ (กระดาษ) Google 2018
6. แบบฝึกหัดเกี่ยวกับการสร้างแบบจำลองพฤติกรรมผู้ใช้ตามลำดับแบบยาวสำหรับการทำนายอัตราการคลิกผ่าน (กระดาษ) Alibaba 2019
7. การสร้างแบบจำลองความสนใจของผู้ใช้ตามการค้นหาพร้อมข้อมูลพฤติกรรมตามลำดับสำหรับการทำนาย CTR (กระดาษ) Alibaba 2020
8. Duolingo ใช้ AI ในทุกส่วนของแอป Duolingo 2020 อย่างไร
9. ใช้ประโยชน์จากปฏิสัมพันธ์ทางสังคมออนไลน์เพื่อเพิ่มความซื่อสัตย์ที่ Facebook (กระดาษ, วิดีโอ) Facebook 2020
10. การใช้การเรียนรู้เชิงลึกเพื่อตรวจจับลำดับกิจกรรมที่ไม่เหมาะสมของสมาชิก (วิดีโอ) LinkedIn 2021

คอมพิวเตอร์วิทัศน์

1. การสร้างไปป์ไลน์ OCR ที่ทันสมัยโดยใช้คอมพิวเตอร์วิทัศน์และ Dropbox การเรียนรู้เชิงลึก 2017
2. การจัดหมวดหมู่ภาพถ่ายที่พักที่ Airbnb Airbnb 2018
3. การตรวจจับสิ่งอำนวยความสะดวกและอื่น ๆ อีกมากมาย - ขอบเขตใหม่ของการมองเห็นคอมพิวเตอร์ที่ Airbnb Airbnb 2019
4. เราปรับปรุงการวัดการมองเห็นคอมพิวเตอร์ได้มากกว่า 5% โดยการล้างข้อผิดพลาดในการติดฉลาก Deepomatic ได้อย่างไร
5. ทำให้เครื่องจดจำและถอดเสียงการสนทนาในการประชุมโดยใช้เสียงและวิดีโอ Microsoft 2019
6. ขับเคลื่อนโดย AI: พัฒนาความเข้าใจผลิตภัณฑ์และสร้างประสบการณ์การช้อปปิ้งใหม่ๆ Facebook 2020
7. แบบจำลองสภาพอากาศแบบประสาทเทียมสำหรับการพยากรณ์ปริมาณน้ำฝนแปดชั่วโมง (กระดาษ) Google 2020
8. การประเมินความเสียหายโดยอาศัยการเรียนรู้ของเครื่องเพื่อการบรรเทาภัยพิบัติ (กระดาษ) Google 2020
9. RepNet: การนับซ้ำในวิดีโอ (กระดาษ) Google 2020
10. การแปลงข้อความเป็นรูปภาพสำหรับการค้นพบผลิตภัณฑ์ (กระดาษ) Amazon 2020
11. Disney ใช้ PyTorch อย่างไรในการจดจำตัวละครแบบเคลื่อนไหว Disney 2020
12. คำบรรยายภาพเป็นเทคโนโลยีสิ่งอำนวยความสะดวก (วิดีโอ) IBM 2020
13. AI for AG: การเรียนรู้เครื่องจักรการผลิตเพื่อการเกษตร Blue River 2020
14. AI สำหรับการขับขี่ด้วยตนเองเต็มรูปแบบที่ Tesla Tesla 2020
15. การจดจำผลิตภัณฑ์ซูเปอร์มาร์เก็ตบนอุปกรณ์ Google 2020
16. การใช้แมชชีนเลิร์นนิงเพื่อตรวจจับความครอบคลุมที่ไม่เพียงพอในการคัดกรองลำไส้ใหญ่ (กระดาษ) Google 2020
17. เลือกซื้อรูปลักษณ์: การสร้างระบบการช็อปปิ้งด้วยภาพขนาดใหญ่ที่ Pinterest (กระดาษ, วิดีโอ) Pinterest 2020
18. การพัฒนาการตรวจจับภาษามืออัตโนมัติแบบเรียลไทม์สำหรับการประชุมทางวิดีโอ (กระดาษ) Google 2020
19. คำแนะนำราคาตามวิสัยทัศน์สำหรับสินค้ามือสองออนไลน์ (กระดาษ) Alibaba 2020
20. การวิจัย AI ใหม่เพื่อช่วยคาดการณ์ความต้องการทรัพยากรด้านโควิด-19 จากการเอ็กซเรย์ (กระดาษ, แบบจำลอง) Facebook 2021
21. แนวทางการฝึกอบรมที่มีประสิทธิภาพสำหรับการจดจำใบหน้าในสเกลขนาดใหญ่มาก (กระดาษ) Alibaba 2021
22. การระบุประเภทเอกสารที่ Scribd Scribd 2021
23. การเรียนรู้การนำเสนอด้วยภาพแบบกึ่งกำกับดูแลเพื่อความเข้ากันได้ของแฟชั่น (กระดาษ) Walmart 2021
24. การจดจำผู้คนในรูปภาพผ่านการเรียนรู้ของเครื่องแบบส่วนตัวบนอุปกรณ์ Apple 2021
25. DeepFusion: Lidar-Camera Deep Fusion สำหรับการตรวจจับวัตถุ 3 มิติหลายรูป Google 2022
26. การเรียนรู้ภาษาและการมองเห็นที่ตัดกันของแนวคิดแฟชั่นทั่วไป (กระดาษ) Coveo 2022
27. การใช้ประโยชน์จากคอมพิวเตอร์วิทัศน์เพื่อการจัดอันดับการค้นหา BazaarVoice 2023

การเรียนรู้แบบเสริมกำลัง

1. การเรียนรู้แบบเสริมกำลังเชิงลึกสำหรับการค้นหาที่ได้รับการสนับสนุน การเสนอราคาแบบเรียลไทม์ (กระดาษ) Alibaba 2018
2. การเสนอราคาที่จำกัดด้วยงบประมาณโดยการเรียนรู้การเสริมแรงแบบไม่มีแบบจำลองในการโฆษณาแบบดิสเพลย์ (กระดาษ) Alibaba 2018
3. การเรียนรู้แบบเสริมกำลังสำหรับ DoorDash โลจิสติกส์ตามความต้องการ 2018
4. การเสริมกำลังการเรียนรู้เพื่อจัดอันดับในเครื่องมือค้นหาอีคอมเมิร์ซ (กระดาษ) Alibaba 2018
5. การกำหนดราคาแบบไดนามิกบนแพลตฟอร์มอีคอมเมิร์ซพร้อมการเรียนรู้แบบเสริมเชิงลึก (กระดาษ) Alibaba 2019
6. การผลิตการเรียนรู้แบบเสริมกำลังเชิงลึกด้วย Spark และ MLflow Zynga 2020
7. การเรียนรู้แบบเสริมกำลังเชิงลึกในการผลิต ตอนที่ 1 ตอนที่ 2 Zynga 2020
8. การสร้างระบบการซื้อขาย AI Denny Britz 2020
9. การเปลี่ยนการบริโภคไปสู่เนื้อหาที่หลากหลายผ่านการเรียนรู้แบบเสริมกำลัง (กระดาษ) Spotify 2022
10. โจรสำหรับการสอบเทียบออนไลน์: แอปพลิเคชันเพื่อการตรวจสอบเนื้อหาบนแพลตฟอร์มโซเชียลมีเดีย Meta 2022
11. วิธีเพิ่มประสิทธิภาพการจัดอันดับด้วย Cascade Bandits Expedia 2022
12. การเลือกรูปภาพที่ดีที่สุดสำหรับผู้ค้าแต่ละรายโดยใช้การสำรวจและการเรียนรู้ของเครื่อง DoorDash 2023

การตรวจจับความผิดปกติ

1. การตรวจจับความผิดปกติด้านประสิทธิภาพในการใช้งานเฟิร์มแวร์ภายนอก Netflix 2019
2. การตรวจจับและป้องกันการละเมิดบน LinkedIn โดยใช้ Isolation Forests (รหัส) LinkedIn 2019
3. การตรวจจับความผิดปกติเชิงลึกด้วย Spark และ Tensorflow (วิดีโอ Hopsworks) Swedbank , Hopsworks 2019
4. การป้องกันการละเมิดโดยใช้การเรียนรู้แบบไม่มีผู้ดูแล LinkedIn 2020
5. เทคโนโลยีเบื้องหลังการต่อสู้กับการคุกคามบน LinkedIn LinkedIn 2020
6. การเปิดเผยแผนการฉ้อโกงประกันภัยด้วยการเรียนรู้ผ่านเครือข่าย (กระดาษ) Ant Financial 2020
7. การป้องกันสแปมทำงานอย่างไรใน Stack Exchange? Stack Exchange 2020
8. การกลั่นกรองเนื้อหาอัตโนมัติใน C2C e-Commerce Mercari 2020
9. การบล็อก Slack เชิญสแปมด้วย Machine Learning Slack 2020
10. การจัดการบอท Cloudflare: การเรียนรู้ของเครื่องและอีกมากมาย Cloudflare 2020
11. ความผิดปกติของอุณหภูมิน้ำมันในเครื่องเจาะอุโมงค์ SENER 2020
12. การใช้การตรวจจับความผิดปกติเพื่อติดตามลูกค้าธนาคารที่มีความเสี่ยงต่ำ Rabobank 2020
13. ต่อสู้กับการฉ้อโกงด้วย Triplet Loss OLX Group 2020
14. ขณะนี้ Facebook กำลังใช้ AI เพื่อจัดเรียงเนื้อหาเพื่อการกลั่นกรองที่รวดเร็วยิ่งขึ้น (ทางเลือก) Facebook 2020
15. AI ตรวจจับคำพูดแสดงความเกลียดชังได้ดีขึ้นอย่างไร ตอนที่ 1 ตอนที่ 2 ตอนที่ 3 ตอนที่ 4 Facebook 2020
16. การใช้การเรียนรู้เชิงลึกเพื่อตรวจจับลำดับกิจกรรมที่ไม่เหมาะสมของสมาชิก (วิดีโอ) LinkedIn 2021
17. Project RADAR: ระบบตรวจจับการฉ้อโกงตั้งแต่เนิ่นๆ อันชาญฉลาดกับมนุษย์ในวง Uber 2022
18. กราฟสำหรับ Fraud Detection Grab 2022
19. โจรสำหรับการสอบเทียบออนไลน์: แอปพลิเคชันเพื่อการตรวจสอบเนื้อหาบนแพลตฟอร์มโซเชียลมีเดีย Meta 2022
20. การพัฒนาแมชชีนเลิร์นนิงของเราเพื่อหยุดบอทบนมือถือ Cloudflare 2022
21. การปรับปรุงความแม่นยำของการเรียนรู้ของเครื่อง WAF โดยใช้การเพิ่มข้อมูลและการสุ่มตัวอย่าง Cloudflare 2022
22. การเรียนรู้ของเครื่องสำหรับการตรวจจับการฉ้อโกงในบริการสตรีมมิ่ง Netflix 2022
23. ราคาที่ Lyft Lyft 2022

กราฟ

1. การสร้างกราฟความรู้ LinkedIn LinkedIn 2016
2. ปรับขนาดการเข้าถึงและการสืบค้นความรู้ที่ Airbnb Airbnb 2018
3. โครงข่ายประสาทเทียมแบบกราฟสำหรับระบบผู้แนะนำระดับเว็บ (กระดาษ) Pinterest 2018
4. การค้นพบอาหารด้วย Uber Eats: การใช้การเรียนรู้ด้วยกราฟเพื่อขับเคลื่อนคำแนะนำ Uber 2019
5. AliGraph: แพลตฟอร์มเครือข่ายประสาทเทียมแบบกราฟที่ครอบคลุม (กระดาษ) Alibaba 2019
6. การปรับบริบทของ Airbnb ด้วยการสร้างกราฟความรู้ Airbnb 2019
7. กราฟการค้าปลีก — กราฟความรู้ผลิตภัณฑ์ของ Walmart Walmart 2020
8. การทำนายปริมาณข้อมูลด้วยโครงข่ายประสาทเทียมกราฟขั้นสูง DeepMind 2020
9. SimClusters: การนำเสนอตามชุมชนสำหรับคำแนะนำ (กระดาษ, วิดีโอ) Twitter 2020
10. Metapaths นำทางเพื่อนบ้านเครือข่ายรวมสำหรับการใช้เหตุผลกราฟต่างกัน (กระดาษ) Alibaba 2021
11. กราฟเครือข่ายความตั้งใจสำหรับการทำนายอัตราการคลิกผ่านในการค้นหาที่สนับสนุน (กระดาษ) Alibaba 2021
12. JEL: การใช้การเชื่อมโยงเอนทิตีประสาทแบบครบวงจรใน JPMorgan Chase (กระดาษ) JPMorgan Chase 2021
13. วิธีที่ AWS ใช้โครงข่ายประสาทเทียมแบบกราฟเพื่อตอบสนองความต้องการของลูกค้า Amazon 2022
14. กราฟสำหรับ Fraud Detection Grab 2022

การเพิ่มประสิทธิภาพ

1. การจับคู่ใน Lyft Line (ตอนที่ 1) (ตอนที่ 2) (ตอนที่ 3) Lyft 2016
2. ข้อมูลและวิทยาศาสตร์เบื้องหลัง GrabShare Carpooling (ตอนที่ 1) ( PAPER NEEDED ) Grab 2017
3. การอนุมานการเดินทางและการเรียนรู้ของเครื่องเพิ่มประสิทธิภาพเวลาจัดส่งบน Uber Eats Uber 2018 ได้อย่างไร
4. การเพิ่มประสิทธิภาพยุคถัดไปสำหรับ Dasher Dispatch ที่ DoorDash DoorDash 2020
5. การเพิ่มประสิทธิภาพของผู้โดยสารที่รอเวลาในลิฟต์โดยใช้การเรียนรู้ของเครื่อง Thyssen Krupp AG 2020
6. คิดออกจากแพ็คเกจ: แนะนำประเภทแพ็คเกจสำหรับการจัดส่งอีคอมเมิร์ซ (กระดาษ) Amazon 2020
7. การเพิ่มประสิทธิภาพการใช้จ่ายด้านการตลาดของ Doordash กับการเรียนรู้ของเครื่อง DoorDash 2020
8. การใช้การเรียนรู้เพื่อจัดอันดับเพื่อค้นหาตำแหน่งที่จะส่งมอบแพ็คเกจ (กระดาษ) Amazon 2021 ได้อย่างแม่นยำ

การสกัดข้อมูล

1. การสกัดแอตทริบิวต์ที่ไม่ได้รับการดูแลและค่าของพวกเขาจากคำอธิบายผลิตภัณฑ์ (กระดาษ) Rakuten 2013
2. ใช้การเรียนรู้ของเครื่องเพื่อจัดทำดัชนีข้อความจากหลายพันล้านภาพ Dropbox 2018
3. การแยกข้อมูลที่มีโครงสร้างจากเอกสารแบบ templatic (กระดาษ) Google 2020
4. Autoknow: คอลเลกชันความรู้ในการขับขี่ด้วยตนเองสำหรับผลิตภัณฑ์หลายพันประเภท (กระดาษ, วิดีโอ) Amazon 2020
5. การติดฉลากข้อความเดียวโดยใช้ความสนใจและการเผยแพร่ความเชื่อสำหรับการสกัดข้อมูล (กระดาษ) Alibaba 2020
6. การสกัดข้อมูลจากใบเสร็จรับเงินด้วยกราฟเครือข่าย Nanonets 2021

การดูแลที่อ่อนแอ

1. Snorkel Drybell: กรณีศึกษาในการปรับใช้การกำกับดูแลที่อ่อนแอในระดับอุตสาหกรรม (กระดาษ) Google 2019
2. Osprey: การกำกับดูแลที่อ่อนแอของปัญหาการสกัดที่ไม่สมดุลโดยไม่มีรหัส (กระดาษ) Intel 2019
3. Overton: ระบบข้อมูลสำหรับการตรวจสอบและปรับปรุงผลิตภัณฑ์ที่เรียนรู้ด้วยเครื่อง (กระดาษ) Apple 2019
4. Bootstrapping ตัวแทนการสนทนาที่มีการกำกับดูแลที่อ่อนแอ (กระดาษ) IBM 2019

รุ่น

1. แบบจำลองภาษาที่ดีกว่าและผลกระทบ (กระดาษ) OpenAI 2019
2. Image GPT (กระดาษ, รหัส) OpenAI 2019
3. แบบจำลองภาษาเป็นผู้เรียนไม่กี่คน (กระดาษ) (บล็อกโพสต์ GPT-3) OpenAI 2020
4. ความละเอียดสูงที่เรียนรู้ลึกสำหรับการผลิตภาพยนตร์สารคดี (PAPER) Pixar 2020
5. การสร้างกรณีทดสอบหน่วยด้วย Transformers Microsoft 2021

เสียง

1. การปรับปรุงการจดจำคำพูดบนอุปกรณ์ด้วย VoiceFilter-Lite (กระดาษ) Google 2020
2. เครื่องเรียนรู้เบื้องหลัง Hum เพื่อค้นหา Google 2020

การเรียนรู้ของเครื่องจักรความเป็นส่วนตัว

1. การเรียนรู้แบบสหพันธรัฐ: การเรียนรู้ของเครื่องทำงานร่วมกันโดยไม่มีข้อมูลการฝึกอบรมส่วนกลาง (กระดาษ) Google 2017
2. การเรียนรู้แบบสหพันธรัฐด้วยการรับประกันความเป็นส่วนตัวที่แตกต่างอย่างเป็นทางการ (กระดาษ) Google 2022
3. การเรียนรู้ของเครื่องจักรที่ใช้ MPC: การบรรลุการเรียนรู้ของเครื่องจักรการดูแลความเป็นส่วนตัวแบบ end-to-end (PAPER) Facebook 2022

การตรวจสอบความถูกต้องและการทดสอบ A/B

1. โครงสร้างพื้นฐานการทดลองที่ทับซ้อนกัน: มากขึ้นดีขึ้นการทดลองเร็วขึ้น (กระดาษ) Google 2010
2. Holdout ที่ใช้ซ้ำได้: รักษาความถูกต้องในการวิเคราะห์ข้อมูลแบบปรับตัว (PAPER) Google 2015
3. การทดลอง Twitter: ภาพรวมทางเทคนิค Twitter 2015
4. การทดสอบ A/Bout ทั้งหมด: แพลตฟอร์มการทดลอง Netflix Netflix 2016
5. การสร้างแพลตฟอร์มการทดสอบ A/B ของ Pinterest Pinterest 2016
6. การทดลองเพื่อแก้ปัญหาการยัดเยียด Twitter 2017
7. การสร้างแพลตฟอร์มการทดลองอัจฉริยะด้วย Uber Engineering Uber 2017
8. การปรับสเกลแพลตฟอร์มการทดลองของ Airbnb Airbnb 2017
9. พบกับ Wasabi แพลตฟอร์มการทดสอบ A/B โอเพ่นซอร์ส (CODE) Intuit 2017
10. การวิเคราะห์ผลการทดลอง: เกินผลการรักษาโดยเฉลี่ย Uber 2018
11. ภายใต้ประทุนของแพลตฟอร์มการทดลองของ Uber Uber 2018
12. การเพิ่มประสิทธิภาพแบบเบย์ที่มีข้อ จำกัด ด้วยการทดลองที่มีเสียงดัง (กระดาษ) Facebook 2018
13. การสลับคุณสมบัติที่เชื่อถือได้และปรับขนาดได้และการทดสอบ A/B SDK ที่ Grab Grab 2018
14. การสร้างแบบจำลองอัตราการแปลงและการประหยัดล้านโดยใช้ Kaplan-Meier และ Gamma Distribution (CODE) Better 2019
15. การตรวจจับสัญญาณรบกวน: การทดสอบ A/B ของการทดสอบ A/B LinkedIn 2019
16. ประกาศกรอบใหม่สำหรับการออกแบบการทดลองที่ดีที่สุดด้วย pyro (กระดาษ) (กระดาษ) Uber 2020
17. เปิดใช้งานการทดลองมากขึ้นอีก 10 เท่าด้วยแพลตฟอร์มการทดลอง Traveloka Traveloka 2020
18. การทดลองขนาดใหญ่ที่ Stitch Fix (Paper) Stitch Fix 2020
19. โจรหลายอาวุธและแพลตฟอร์มการทดลอง Stitch Fix Stitch Fix 2020
20. การทดลองกับข้อ จำกัด ของทรัพยากร Stitch Fix 2020
21. การอนุมานสาเหตุการคำนวณที่ Netflix (Paper) Netflix 2020
22. ความท้าทายที่สำคัญกับการทดลองเสมือนที่ Netflix Netflix 2020
23. ทำให้ LinkedIn Experimentation Engine 20x เร็วขึ้น LinkedIn 2020
24. วิวัฒนาการของเราที่มีต่อ T-Rex: ประวัติศาสตร์พื้นฐานของโครงสร้างพื้นฐานการทดลองที่ LinkedIn LinkedIn 2020
25. วิธีใช้การทดลองและ counterfactuals เพื่อสร้างผลิตภัณฑ์ที่ยอดเยี่ยม Shopify 2020
26. การปรับปรุงพลังการทดลองผ่านการควบคุมโดยใช้การคาดการณ์เป็น covariate DoorDash 2020
27. สนับสนุนการทำซ้ำผลิตภัณฑ์อย่างรวดเร็วด้วยแพลตฟอร์มการวิเคราะห์การทดลอง DoorDash 2020
28. การปรับปรุงความสามารถในการทดลองออนไลน์โดย 4x ด้วยการขนานและเพิ่มความไว DoorDash 2020
29. การใช้ประโยชน์จากการสร้างแบบจำลองเชิงสาเหตุเพื่อให้ได้ค่ามากขึ้นจากผลการทดลองแบบแบน DoorDash 2020
30. การทำซ้ำอัลกอริทึมการกำหนดเวลาเรียลไทม์ผ่านการทดลอง DoorDash 2020
31. แพลตฟอร์มการทดลองใหม่ของ Spotify (ตอนที่ 1) (ตอนที่ 2) Spotify 2020
32. การตีความผลการทดสอบ A/B: ผลบวกที่ผิดพลาดและนัยสำคัญทางสถิติ Netflix 2021
33. การตีความผลการทดสอบ A/B: เชิงลบเท็จและ Power Netflix 2021
34. รันการทดลองกับ Google AdWords สำหรับการเพิ่มประสิทธิภาพแคมเปญ DoorDash 2021
35. หลักการ 4 หลักการที่ใช้ในการเพิ่มกำลังการทดลองด้านโลจิสติกส์ 1,000% DoorDash 2021
36. แพลตฟอร์มการทดลองที่ Zalando: ตอนที่ 1 - Evolution Zalando 2021
37. การออกแบบ Guardrails Airbnb 2021
38. Airbnb วัดมูลค่าในอนาคตเพื่อสร้างมาตรฐานการแลกเปลี่ยน Airbnb 2021
39. การทดลองเครือข่ายที่สเกล (กระดาษ] Facebook 2021
40. กลุ่ม Universal Holdout ที่ Disney Streaming Disney 2021
41. การทดลองเป็นจุดสนใจหลักของวิทยาศาสตร์ข้อมูลทั่ว Netflix Netflix 2022
42. การค้นหาการเดินทางไปสู่แนวทางการทดลองที่ดีขึ้น Spotify 2022
43. การประมาณค่า counterfactual เทียม: การอนุมานเชิงสาเหตุของเครื่องจักรที่ Airbnb Airbnb 2022
44. นอกเหนือจากการทดสอบ A/B: เร่งการทดลองการจัดอันดับการค้นหา Airbnb ผ่านการเชื่อมโยงระหว่าง Airbnb 2022
45. ความท้าทายในการทดลอง Lyft 2022
46. การวิเคราะห์ที่เกินจริงและทริกเกอร์: ลดขนาดตัวอย่างในขณะที่เพิ่มความไว Booking 2022
47. Meet Dash-AB-เครื่องยนต์สถิติของการทดลองที่ Doordash DoorDash 2022
48. การเปรียบเทียบ Quantiles ที่สเกลใน A/B-testing ออนไลน์ Spotify 2022
49. เร่งการทดลอง A/B ของเราด้วยการเรียนรู้ของเครื่อง Dropbox 2023
50. การทดสอบ A/B ซุปเปอร์ที่ Uber Uber

การจัดการแบบ

1. การเรียนรู้การเรียนรู้ของเครื่อง - การจัดการที่มาจากข้อมูลดิบไปจนถึงการคาดการณ์ Comcast 2018
2. Overton: ระบบข้อมูลสำหรับการตรวจสอบและปรับปรุงผลิตภัณฑ์ที่เรียนรู้ด้วยเครื่อง (กระดาษ) Apple 2019
3. รันเวย์ - การจัดการวงจรชีวิตรุ่นที่ Netflix Netflix 2020
4. การจัดการ ML Models @ Scale - Intuit ML Platfor Intuit 2020
5. การตรวจสอบแบบจำลอง ML - 9 เคล็ดลับจากสนามเพลาะ Nubank 2021
6. การจัดการกับความเบ้แบบรถไฟในแบบเรียลไทม์ ML: คู่มือสั้น ๆ Nubank 2023

ประสิทธิภาพ

1. Groknet: Unified Computer Vision Model และ Embeddings for Commerce (PAPER) Facebook 2020
2. วิธีที่เราปรับขนาดเบิร์ตเพื่อให้บริการคำขอ 1 พันล้านต่อวันใน CPUS Roblox 2020
3. permute, quantize และการปรับแต่ง: การบีบอัดที่มีประสิทธิภาพของเครือข่ายประสาท (กระดาษ) Uber 2021
4. การอนุมาน ML ที่เร่งด้วย GPU ที่ Pinterest Pinterest 2022

จริยธรรม

1. การสร้างผลิตภัณฑ์รวมผ่านการทดสอบ A/B (PAPER) LinkedIn 2020
2. ยก: กรอบที่ปรับขนาดได้สำหรับการวัดความเป็นธรรมในแอปพลิเคชัน ML (กระดาษ) LinkedIn 2020
3. แนะนำอัลกอริทึมอัลกอริทึมครั้งแรกของ Twitter Challenge Twitter 2021 Challenge Twitter 2021
4. การตรวจสอบอัลกอริทึมการขยายเนื้อหาทางการเมืองบน Twitter Twitter 2021
5. ดูอย่างใกล้ชิดว่า LinkedIn รวมความเป็นธรรมเข้ากับผลิตภัณฑ์ AI LinkedIn 2022 อย่างไร

อินฟราเรด

1. การปรับโครงสร้างแพลตฟอร์มการเรียนรู้เชิงลึกของ Facebook AI สำหรับการทำงานร่วมกัน Facebook 2020
2. การฝึกอบรมแบบกระจายแบบยืดหยุ่นกับ XGBOOST บน Ray Uber 2021

แพลตฟอร์ม Mlops

1. พบกับ Michelangelo: แพลตฟอร์มการเรียนรู้ของเครื่อง Uber Uber 2017
2. การเรียนรู้การเรียนรู้ของเครื่อง - การจัดการที่มาจากข้อมูลดิบไปจนถึงการคาดการณ์ Comcast 2018
3. แพลตฟอร์มการเรียนรู้ของเครื่อง Big Data ที่ Pinterest Pinterest 2019
4. การสร้างแบบจำลองหลักที่ Instagram Instagram 2019
5. Open-Sourcing Metaflow-กรอบการทำงานของมนุษย์เป็นศูนย์กลางสำหรับวิทยาศาสตร์ข้อมูล Netflix 2019
6. การจัดการ ML Models @ Scale - Intuit ML Platfor Intuit 2020
7. แพลตฟอร์มการอนุมานการเรียนรู้ของเครื่องแบบเรียลไทม์ที่ Zomato Zomato 2020
8. แนะนำ Flyte: การเรียนรู้ของเครื่องคลาวด์และแพลตฟอร์มการประมวลผลข้อมูล Lyft 2020
9. การสร้างโมเดล ML Ensemble ที่ยืดหยุ่นพร้อมกราฟการคำนวณ DoorDash 2021
10. Lyftlearn: โครงสร้างพื้นฐานการฝึกอบรม ML ที่สร้างขึ้นบน Kubernetes Lyft 2021
11. "คุณไม่จำเป็นต้องมีเรือที่ใหญ่กว่า": ไปป์ไลน์ข้อมูลเต็มรูปแบบที่สร้างขึ้นด้วยเครื่องมือโอเพนซอร์ซ (กระดาษ) Coveo 2021
12. Mlops at Greensteam: การจัดส่งเครื่องเรียนรู้ GreenSteam 2021
13. การพัฒนารูปแบบ ML ของ Reddit และการให้บริการสถาปัตยกรรม Reddit 2021
14. การออกแบบแพลตฟอร์มการเรียนรู้ของเครื่อง Etsy ใหม่ Etsy 2021
15. ทำความเข้าใจกับการจัดเก็บข้อมูลและการกลืนกินสำหรับการฝึกอบรมแบบจำลองการแนะนำแบบลึกขนาดใหญ่ (PAPER) Meta 2021
16. การสร้างแพลตฟอร์มสำหรับคำแนะนำที่ให้บริการที่ Etsy Etsy 2022
17. แพลตฟอร์มระบบอัตโนมัติอัจฉริยะ: เพิ่มขีดความสามารถ AI การสนทนาและอื่น ๆ ที่ Airbnb Airbnb 2022
18. Darwin: Data Science and Artificial Intelligence Workbench ที่ LinkedIn LinkedIn 2022
19. The Magic of Merlin: แพลตฟอร์มการเรียนรู้ของเครื่องใหม่ของ Shopify Shopify 2022
20. แพลตฟอร์มการเรียนรู้ของเครื่อง Zalando Zalando 2022
21. ภายในแพลตฟอร์มการเพิ่มประสิทธิภาพ AI ของ Meta สำหรับวิศวกรทั่ว บริษัท (กระดาษ) Meta 2022
22. Monzo's Machine Learning Stack Monzo 2022
23. วิวัฒนาการของ ML Fact Store Netflix 2022
24. การใช้ MLOPS เพื่อสร้างเครื่องจักรการเรียนรู้แบบครบวงจรแบบเรียลไทม์ Pipeline Binance 2022
25. การให้บริการแบบจำลองการเรียนรู้ของเครื่องจักรอย่างมีประสิทธิภาพในระดับที่ Zillow Zillow 2022
26. Didact AI: กายวิภาคของเครื่องยนต์หยิบสต็อกที่ขับเคลื่อนด้วย ML Didact AI 2022
27. การปรับใช้ฟรี - แพลตฟอร์มการเรียนรู้ของเครื่องสำหรับนักวิทยาศาสตร์ข้อมูลของ Stitch Fix Stitch Fix 2022
28. การดำเนินการเรียนรู้ของเครื่อง (MLOPS): ภาพรวมคำจำกัดความและสถาปัตยกรรม (กระดาษ) IBM 2022

การปฏิบัติ

1. คำแนะนำที่เป็นประโยชน์สำหรับการฝึกฝนการไล่ระดับสถาปัตยกรรมลึก (กระดาษ) Yoshua Bengio 2012
2. การเรียนรู้ของเครื่อง: บัตรเครดิตที่ดอกเบี้ยสูงของหนี้ทางเทคนิค (กระดาษ) (กระดาษ) Google 2014
3. กฎการเรียนรู้ของเครื่อง: แนวทางปฏิบัติที่ดีที่สุดสำหรับ ML Engineering Google 2018
4. เกี่ยวกับความท้าทายในการจัดการรูปแบบการเรียนรู้ของเครื่อง Amazon 2018
5. การเรียนรู้ของเครื่องจักรในการผลิต: Booking 2019
6. 150 รูปแบบการเรียนรู้ของเครื่องที่ประสบความสำเร็จ: 6 บทเรียนที่เรียนรู้ที่ Booking.com (กระดาษ) Booking 2019
7. ความสำเร็จและความท้าทายในการใช้การเรียนรู้ของเครื่องในระดับที่ธนาคารทั่วโลก Rabobank 2019
8. ความท้าทายในการปรับใช้การเรียนรู้ของเครื่อง: การสำรวจกรณีศึกษา (กระดาษ) Cambridge 2020
9. การปรับโครงสร้างแพลตฟอร์มการเรียนรู้เชิงลึกของ Facebook AI สำหรับการทำงานร่วมกัน Facebook 2020
10. ปัญหาเกี่ยวกับเครื่องมือนักพัฒนา AI สำหรับองค์กร Databricks 2020
11. การรวมและการปรับใช้อย่างต่อเนื่องสำหรับการเรียนรู้ของเครื่องจักรการให้บริการออนไลน์และรุ่น Uber 2021
12. การปรับแต่งโมเดลประสิทธิภาพ Uber 2021
13. การรักษาความแม่นยำของรูปแบบการเรียนรู้ของเครื่องผ่านการตรวจสอบ DoorDash 2021
14. การสร้างระบบการตลาดที่ปรับขนาดและดำเนินการได้ ML ที่ Wayfair Wayfair 2021
15. วิธีการของเราในการสร้างระบบ AI ที่มีความโปร่งใสและสามารถอธิบายได้ LinkedIn 2021
16. 5 ขั้นตอนสำหรับการสร้างรูปแบบการเรียนรู้ของเครื่องจักรสำหรับธุรกิจ Shopify 2021
17. ข้อมูลเป็นศิลปะไม่ใช่แค่วิทยาศาสตร์ - และการเล่าเรื่องเป็นสิ่งสำคัญ Shopify 2022
18. แนวทางปฏิบัติที่ดีที่สุดสำหรับการเรียนรู้ของเครื่องแบบเรียลไทม์: แจ้งเตือน Nubank 2022
19. การฝึกอบรมอัตโนมัติสำหรับรูปแบบการเรียนรู้ของเครื่อง: เคล็ดลับและบทเรียนที่เรียนรู้ Nubank 2022
20. Recsysops: แนวทางปฏิบัติที่ดีที่สุดสำหรับการใช้งานระบบผู้แนะนำขนาดใหญ่ Netflix 2022
21. ML Education at Uber: เฟรมเวิร์กที่ได้รับแรงบันดาลใจจากหลักการทางวิศวกรรม Uber 2022
22. การสร้างและบำรุงรักษาเครื่องมือภายในสำหรับทีม DS/ML: บทเรียนที่เรียนรู้ Nubank 2024

โครงสร้างทีม

1. วิธีที่มีประสิทธิภาพที่สุดในการจัดโครงสร้างทีมวิทยาศาสตร์ข้อมูลคืออะไร? Udemy 2017
2. วิศวกรไม่ควรเขียน ETL: คู่มือการสร้างแผนกวิทยาศาสตร์ข้อมูลที่ทำงานได้สูง Stitch Fix 2016
3. การสร้างทีมวิเคราะห์ที่ Wish Wish 2018
4. ระวังโรงงานพินวิทยาศาสตร์ข้อมูล: พลังของวิทยาศาสตร์ข้อมูลเต็มรูปแบบทั่วไป Stitch Fix 2019
5. การปลูกฝังอัลกอริทึม: วิธีที่เราพัฒนาวิทยาศาสตร์ข้อมูลที่ Stitch Fix Stitch Fix
6. Analytics at Netflix: เราเป็นใครและเราทำอะไร Netflix 2020
7. การสร้างทีมข้อมูลในช่วงกลางเริ่มต้น: เรื่องสั้น Erikbern 2021 เรื่องสั้น
8. เบื้องหลังดูว่าทีมข้อมูลของบุรุษไปรษณีย์ทำงานได้อย่างไร Postman 2021
9. นักวิทยาศาสตร์ข้อมูล X Machine Learning Engineer บทบาท: พวกเขาแตกต่างกันอย่างไร? พวกเขาเหมือนกันอย่างไร? Nubank 2022

ล้มเหลว

1. เมื่อพูดถึงกอริลล่า Google Photos ยังคงตาบอด Google 2018
2. นักเรียนโรงเรียนมัธยม 160k+ จะสำเร็จการศึกษาเฉพาะในกรณีที่แบบจำลองอนุญาตให้พวกเขาไปยัง International Baccalaureate 2020
3. อัลกอริทึมที่ 'ทำนาย' ความผิดทางอาญาบนพื้นฐานของประกายไฟหน้า Harrisburg University Harrisburg 2020
4. เป็นการยากที่จะสร้างข้อความประสาทจาก GPT-3 เกี่ยวกับมุสลิม OpenAI 2020
5. เครื่องมือ AI ของอังกฤษในการทำนายอาชญากรรมรุนแรงมีข้อบกพร่องเกินกว่าที่จะใช้ United Kingdom 2020
6. เพิ่มเติมใน Awful-AI
7. AI Database Partnership on AI 2022

ป.ล. ต้องการสรุปความก้าวหน้าของ ML หรือไม่? เร่งความเร็วด้วยเอกสารสำรวจ ml-surveys