NLP 实战高手课
**** 本内容需购买 ****第一章：AI及NLP基础 (15讲)
?
01 | 课程介绍
时长 08:41
02 | 内容综述
时长 18:28
03 | AI概览：宣传片外的人工智能
时长 45:12
04 | AI项目流程：从实验到落地
时长 46:20
05 | NLP领域简介：NLP基本任务及研究方向
时长 34:25
06 | NLP应用：智能问答系统
时长 34:37
07 | NLP应用：文本校对系统
时长 16:13
08 | NLP的学习方法：如何在AI爆炸时代快速上手学习？
时长 25:18
09 | 深度学习框架简介：如何选择合适的深度学习框架？
时长 34:48
10 | 深度学习与硬件：CPU
时长 11:00
11 | 深度学习与硬件：GPU
时长 19:45
12 | 深度学习与硬件：TPU
时长 18:13
13 | AI项目部署：基本原则
时长 10:43
14 | AI项目部署：框架选择
时长 11:50
15 | AI项目部署：微服务简介
时长 13:27
第二章：深度学习简介和NLP试水 (14讲)
?
16 | 统计学基础：随机性是如何改变数据拟合的本质的？
时长 19:25
17 | 神经网络基础：神经网络还是复合函数
时长 13:28
18 | 神经网络基础：训练神经网络
时长 15:34
19 | 神经网络基础：神经网络的基础构成
时长 23:30
20 | Embedding简介：为什么Embedding更适合编码文本特征？
时长 08:57
21 | RNN简介：马尔可夫过程和隐马尔可夫过程
时长 09:13
22 | RNN简介：RNN和LSTM
时长 16:58
23 | CNN：卷积神经网络是什么？
时长 10:36
24 | 环境部署：如何构建简单的深度学习环境？
时长 27:19
25 | PyTorch简介：Tensor和相关运算
时长 17:44
26 | PyTorch简介：如何构造Dataset和DataLoader？
时长 08:14
27 | PyTorch简介：如何构造神经网络？
时长 18:30
28 | 文本分类实践：如何进行简单的文本分类？
时长 17:59
29 | 文本分类实践的评价：如何提升进一步的分类效果？
时长 29:41
第三章：表格化数据挖掘 (40讲)
?
30 | 经典的数据挖掘方法：数据驱动型开发早期的努力
时长 14:34
31 | 表格化数据挖掘基本流程：看看现在的数据挖掘都是怎么做的？
时长 14:10
32 | Pandas简介：如何使用Pandas对数据进行处理？
时长 15:54
33 | Matplotlib简介：如何进行简单的可视化分析？
时长 11:42
34 | 半自动特征构建方法：Target Mean Encoding
时长 14:32
35 | 半自动特征构建方法：Categorical Encoder
时长 11:41
36 | 半自动特征构建方法：连续变量的离散化
时长 15:10
37 | 半自动特征构建方法：Entity Embedding
时长 23:15
38 | 半自动构建方法：Entity Embedding的实现
时长 25:06
39 | 半自动特征构建方法：连续变量的转换
时长 24:14
40 | 半自动特征构建方法：缺失变量和异常值的处理
时长 09:52
41 | 自动特征构建方法：Symbolic learning和AutoCross简介
时长 18:05
42 | 降维方法：PCA、NMF 和 tSNE
时长 22:54
43 | 降维方法：Denoising Auto Encoders
时长 07:35
44 | 降维方法：Variational Auto Encoder
时长 13:23
45 | 变量选择方法
时长 09:10
46 | 集成树模型：如何提升决策树的效果
时长 07:20
47 | 集成树模型：GBDT和XgBoost的数学表达
时长 20:27
48 | 集成树模型：LightGBM简介
时长 08:05
49 | 集成树模型：CatBoost和NGBoost简介
时长 05:12
50 | 神经网络建模：如何让神经网络实现你的数据挖掘需求
时长 06:49
51 | 神经网络的构建：Residual Connection和Dense Connection
时长 09:43
52 | 神经网络的构建：Network in Network
时长 03:56
53 | 神经网络的构建：Gating Mechanism和Attention
时长 07:34
54 | 神经网络的构建：Memory
时长 18:54
55 | 神经网络的构建：Activation Function
时长 12:33
56 | 神经网络的构建：Normalization
时长 11:03
57 | 神经网络的训练：初始化
时长 11:36
58 | 神经网络的训练：学习率和Warm-up
时长 19:35
59 | 神经网络的训练：新的PyTorch训练框架
时长 25:47
60 | Transformer：如何通过Transformer榨取重要变量？
时长 22:16
61 | Transformer代码实现剖析
时长 25:57
62 | xDeepFM：如何用神经网络处理高维的特征？
时长 11:56
63 | xDeepFM的代码解析
时长 10:04
64 | 时序建模：如何用神经网络解决时间序列的预测问题？
时长 20:57
65 | 图嵌入：如何将图关系纳入模型？
时长 18:14
66 | 图网络简介：如何在图结构的基础上建立神经网络？
时长 23:05
67 | 模型融合基础：如何让你所学到的模型方法一起发挥作用？
时长 11:10
68 | 高级模型融合技巧：Metades是什么？
时长 09:44
69 | 挖掘自然语言中的人工特征：如何用传统的特征解决问题？
时长 22:39
第四章：自然语言分类任务 (37讲)
?
70 | 重新审视Word Embedding：Negative Sampling和Contextual Embedding
时长 10:53
71 | 深度迁移学习模型：从ELMo到BERT
时长 18:24
72 | 深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5
时长 21:55
73 | 深度迁移学习模型：ALBERT和ELECTRA
时长 09:38
74 | 深度迁移学习模型的微调：如何使用TensorFlow在TPU对模型进行微调
时长 23:45
75 | 深度迁移学习模型的微调：TensorFlow BERT代码简析
时长 26:43
76 | 深度迁移学习的微调：如何利用PyTorch实现深度迁移学习模型的微调及代码简析
时长 11:06
77 | 优化器：Adam和AdamW
时长 19:26
78 | 优化器：Lookahead，Radam和Lamb
时长 07:57
79 | 多重loss的方式：如何使用多重loss来提高模型准确率？
时长 10:16
80 | 数据扩充的基本方法：如何从少部分数据中扩充更多的数据并避免过拟合？
时长 08:45
81 | UDA：一种系统的数据扩充框架
时长 08:54
82 | Label Smoothing和Logit Squeezing
时长 07:09
83 | 底层模型拼接：如何让不同的语言模型融合在一起从而达到更好的效果？
时长 07:10
84 | 上层模型拼接：如何在语言模型基础上拼接更多的模型？
时长 10:18
85 | 长文本分类：截取、关键词拼接和预测平均
时长 11:51
86 | Virtual Adverserial Training：如何减少一般对抗训练难收敛的问题并提高结果的鲁棒性？
时长 12:47
87 | 其他Embedding的训练：还有哪些Embedding方法？
时长 12:06
88 | 训练预语言模型
时长 12:06
89 | 多任务训练：如何利用多任务训练来提升效果？
时长 17:55
90 | Domain Adaptation：如何利用其它有标注语料来提升效果？
时长 15:33
91 | Few-shot Learning：是否有更好的利用不同任务的方法？
时长 15:52
92 | 半监督学习：如何让没有标注的数据也派上用场？
时长 07:33
93 | 依存分析和Semantic Parsing概述
时长 05:07
94 | 依存分析和Universal Depdency Relattions
时长 18:21
95 | 如何在Stanza中实现Dependency Parsing
时长 12:01
96 | Shift Reduce算法
时长 08:36
97 | 基于神经网络的依存分析算法
时长 11:37
98 | 树神经网络：如何采用Tree LSTM和其它拓展方法？
时长 07:06
99 | Semantic Parsing基础：Semantic Parsing的任务是什么？
时长 13:53
100 | WikiSQL任务简介
时长 10:50
101 | ASDL和AST
时长 07:30
102 | Tranx简介
时长 09:09
103 | Lambda Caculus概述
时长 05:19
104 | Lambda-DCS概述
时长 13:00
105 | Inductive Logic Programming：基本设定
时长 13:36
106 | Inductive Logic Programming：一个可微的实现
时长 11:43
第五章：增强学习 (37讲)
?
107 | 增强学习的基本设定：增强学习与传统的预测性建模有什么区别？
时长 07:33
108 | 最短路问题和Dijkstra Algorithm
时长 10:12
109 | Q-learning：如何进行Q-learning算法的推导？
时长 31:23
110 | Rainbow：如何改进Q-learning算法？
时长 09:06
111 | Policy Gradient：如何进行Policy Gradient的基本推导？
时长 08:28
112 | A2C和A3C：如何提升基本的Policy Gradient算法
时长 12:29
113 | Gumbel-trick：如何将离散的优化改变为连续的优化问题？
时长 07:08
114 | MCTS简介：如何将“推理”引入到强化学习框架中
时长 14:17
115 | Direct Policty Gradient：基本设定及Gumbel-trick的使用
时长 15:04
116 | Direct Policty Gradient：轨迹生成方法
时长 13:07
117 | AutoML及Neural Architecture Search简介
时长 14:52
118 | AutoML网络架构举例
时长 10:09
119 | RENAS：如何使用遗传算法和增强学习探索网络架构
时长 16:32
120 | Differentiable Search：如何将NAS变为可微的问题
时长 09:29
121 | 层次搜索法：如何在模块之间进行搜索？
时长 07:58
122 | LeNAS：如何搜索搜索space
时长 09:11
123 | 超参数搜索：如何寻找算法的超参数
时长 13:55
124 | Learning to optimize：是否可以让机器学到一个新的优化器
时长 11:54
125 | 遗传算法和增强学习的结合
时长 11:05
126 | 使用增强学习改进组合优化的算法
时长 12:09
127 | 多代理增强学习概述：什么是多代理增强学习？
时长 10:35
128 | AlphaStar介绍：AlphaStar中采取了哪些技术？
时长 14:56
129 | IMPALA：多Agent的Actor-Critic算法
时长 10:03
130 | COMA:Agent之间的交流
时长 07:52
131 | 多模态表示学习简介
时长 10:09
132 | 知识蒸馏：如何加速神经网络推理
时长 07:38
133 | DeepGBM：如何用神经网络捕捉集成树模型的知识
时长 04:25
134 | 文本推荐系统和增强学习
时长 11:30
135 | RL训练方法集锦：简介
时长 12:27
136 | RL训练方法:RL实验的注意事项
时长 09:31
137 | PPO算法
时长 07:34
138 | Reward设计的一般原则
时长 08:46
139 | 解决Sparse Reward的一些方法
时长 13:06
140 | Imitation Learning和Self-imitation Learning
时长 11:13
141 | 增强学习中的探索问题
时长 10:34
142 | Model-based Reinforcement Learning
时长 08:10
143 | Transfer Reinforcement Learning和Few-shot Reinforcement Learning
时长 10:22
第六章：实际案例研究 (3讲)
?
144 | Quora问题等价性案例学习：预处理和人工特征
时长 21:23
145 | Quora问题等价性案例学习：深度学习模型
时长 13:16
146 | 文本校对案例学习
时长 17:50
第七章：系统部署 (14讲)
?
147 | 微服务和Kubernetes简介
时长 13:25
148 | Docker简介
时长 07:56
149 | Docker部署实践
时长 10:02
150 | Kubernetes基本概念
时长 10:11
151 | Kubernetes部署实践
时长 13:28
152 | Kubernetes自动扩容
时长 08:21
153 | Kubernetes服务发现
时长 05:10
154 | Kubernetes Ingress
时长 06:24
155 | Kubernetes健康检查
时长 06:55
156 | Kubernetes灰度上线
时长 06:31
157 | Kubernetes Stateful Sets
时长 05:19
158 | Istio简介：Istio包含哪些功能？
时长 05:26
159 | Istio实例和Circuit Breaker
时长 10:40
160 | 结束语
时长 04:09
强烈支持楼主ing…… 强烈支持楼主ing…… 激动人心，无法言表！ 看到这帖子真是高兴！ 感恩无私的分享与奉献 :) 我只是路过打酱油的。 强烈支持楼主ing…… 激动人心，无法言表！ 看到这帖子真是高兴！
页:
[1]
2