线上学习阶段
京东健康智能分诊项目
“看病慢看病难”早已成为当今社会的常见现象，因此随着技术的发展，AI+医疗是目前最有潜力的应用场景之一，其中一个很大的痛点是很多人不清楚应该去哪个科室看病。互联网医生服务可以构建医生与患者之间的桥梁，京东通过智能分诊项目，可以根据用户提供的文字型的病情描述精准识别，并自动帮助用户判断需要去哪个分诊科室，有效减少在线问诊被反复多次转接的情况发生，提高科室分配的准确度，实现降本增效。
这是一个经典的文本多分类项目。通过这个项目，学员可以扎实地掌握文本领域的相关技术如文本预处理、特征工程、词向量、分类模型、评价指标、模型部署等，并且通过完成一个完整的项目走完所有的必要流程。从技术的角度会涉及到tf-idf，word2vec，BERT向量，N-gram，FastText,TextCNN，SkipGram，CBOW，随机森林，XGBoost，Adagrad，Adam等技术和Flask，Docker，Jenkins等部署工具的使用。
知识点
tf-idf, Word2vec, FastText
TextCNN
XGBoost、LightGBM
文本特征工程
模型部署
第一周
文本处理与特征工程
Bag of Words模型
从tf-idf到Word2Vec
SkipGram与CBOW
Hierarhical Softmax与Negative Sampling
FastText
N-gram与平滑操作
文本特征工程
工具的使用：Gensim、Sklearn、jieba的使用
专题：如果阅读科研论文
项目：京东健康智能分诊项目讲解（1）
第二周
基于统计学习的分类方法
决策树
CART模型
Bagging & Boosting
随机森林和GBDT
XGBoost
精确率、召回率
F1，AUC
专题：如何处理样本不平衡问题
专题：京东Neufoundry平台的使用
项目：京东健康智能分诊项目讲解（2）
第三周
基于深度学习的分类方法
统计学习与深度学习的区别
深度学习与浅层学习
从逻辑回归到神经网络
深度学习的非线性性质
损失函数与优化器
神经网络的调参
CNN与TextCNN
实战：Pytorch的基础使用
实战：使用Pytorch实现神经网络和卷积神经网络
项目：京东健康智能分诊项目讲解（3）
京东智能营销文本生成项目
在京东零售场景，数百万的写作达人每天为商品创作卖点突出、风格多样的营销文案以促进用户下单，同时达人也会赚取佣金。但达人创业也会导致创作成本高、量产性差、质量参差不齐的问题。目前京东AI营销文案的人工审核通过率超过95%，并覆盖了全品类的商品。模型已成功应用于京东APP-发现好货，对话机器人京小智和搭配购等场景。
这是一个文本生成领域的问题，从技术层面上具有很大的挑战性。作为多模态的项目，学员会既可以拿到商品的描述文字，也可以拿到商品的图片数据，并利用这两部分信息让机器生成一个营销文案，也可以看作是多模态任务。在这个项目中，会涉及到Seq2Seq，Pointer-Generator Network，Beam Search的改进、多模态数据融合等相关技术。另外，很多挑战来自于模型本身的训练和调参，最终需要让模型给出一个合理的结果。
知识点
Seq2Seq，Attention
Pointer-Generator Network
Beam Search的改造
RestNet，Faster RCNN
多模态数据的融合
第四周
文本处理与特征工程
BPTT与RNN中的梯度消失、爆炸
梯度爆炸的处理
LSTM与GRU
基于LSTM的文本分类
Bi-LSTM与Deep Bi-LSTM
RNN与LSTM的可视化
实战：基于LSTM的情感分类
专题：GPU技术详解
项目：京东智能营销文本生成项目讲解（1）
第五周
Seq2Seq模型与营销文本生成
Encoder-Decoder模型以及各类应用场景
Seq2Seq模型与注意力机制
Greedy Decoding
Beam Search
基于Seq2Seq的文本生成
文本生成的评价指标
实战：基于Seq2Seq的机器翻译
项目：京东智能营销文本生成项目讲解（2）
第六周
Pointer-Generator Network和多模态识别
抽取式文本摘要和生成式文本摘要
Pointer-Generator Network
Beam Search优化思路
Length Normalization
Coverage Normalization
End of Sentence Normalization
多模态识别技术: ResNet和Faster RCNN
实战：PGN+Seq2Seq解读
论文：京东论文解读
项目：京东智能营销文本生成项目讲解（3）
京东同类商品搜索项目
当用户在网上购买商品时经常会试着货比三家，比如某一个京东的商品在苏宁网上的价格是怎样的。 为了便于这种比较，京东开发了一个同类商品搜索模块：给定一个京东商品，它可以根据商品相关的信息去自动找到苏宁等平台上的同类商品。 这里的一个难点在于，每一个商品在不同平台上的标题、描述这些都有一些区别的，所以定位到同一个商品本身具有一定的挑战。
假如我们把商品看作是实体，那这个任务实际上也是实体链接（entity linking）问题。在这个项目中，我们首先根据商品各类属性来搭建商品的图谱（知识图谱），接着再使用图神经网络来得出每一件商品的embedding，并给予这个表示来寻找跟当前商品匹配的另外一个商品。所涉及到的技术包括知识图谱、图神经网络以及基于GAT的一些模型改造，是图神经网络领域一个非常有趣的应用。
知识点
知识图谱的表示
GCN、GAT
Entity Linking
图神经网络的改造
第七周
Entity Linking与图卷积神经网络
什么是实体
Entity Linking问题解读
图的表示
图表示的应用场景
卷积神经网络回顾
在图中的卷积
图中的信息传递
图卷积神经网络（GCN）
论文：GCN论文解读和复现
项目：京东同类商品搜索项目讲解（1）
第八周
GraphSage与Graph Attention Network
GraphSage详解
注意力机制讲解
注意力机制与图表示
GAT模型详解
GAT与知识图谱应用
对于Heterogenous数据处理
论文：GAT论文解读与复现
项目：京东同类商品搜索项目讲解（2）
第九周
Entity Linking前沿技术剖析
Entity Linking前沿技术剖析
基于GNN的文本分类
基于GNN的实体识别
基于GNN的社交网络分析
基于GNN的链接预测
GNN的前沿主题
论文：图神经网络综述
项目：京东同类商品搜索项目讲解（3）
线上实习阶段
第10周
分组确定（4人一组）
完成项目设计、成员之间任务拆解
第16周
项目的最终验收
颁发实习证明
评选优秀作品
项目实施过程会由专业的产品经理、设计、前端、后端工程师以及算法导师参与，提供设计架构、拆解任务、算法实施和优化、模型集成、部署、联调等环节上的支持。
京东智能对话系统项目
智能客服机器人已经成为了客服系统的重要组成部分，帮助人工客服提升工作效率，为企业降低人工成本。作为智能客服的行业先驱，京东多年来致力打造全链路的客服机器人，最大化提升商家的接待效率和用户体验。目前智能机器人的对话生成策略已经在“京小智”、“京东JIMI“等智能客服机器广泛应用，在用户购买商品的售前以及售后环节，为数千万用户以及数十万商家进行服务，为商家降本增效，为用户提升购物客服体验。
在这个项目中，学员有机会基于百万级的数据量来搭建一个智能客服系统，主要使用的框架为检索式对话系统和生成式对话系统。 在项目中，涉及到的技术包括倒排表、WAND、HNSW、L2R、BERT、Transformer等一系列技术。
知识点
基于检索式的对话系统
基于生成式的对话系统
倒排表、HNSW、WMD
Learning to Rank
BERT、ALBERT、Transformer
视频截图：
