NLP实战高手课
NLP实战高手课01-50
01丨課程介紹.mp402丨内容綜述.mp403丨AI概覽：宣傳片外的人工智能.mp404丨AI項目流程：從實驗到落地.mp405丨NLP領域簡介：NLP基本任務及研究方向.mp406丨NLP應用：智能問答系統.mp407丨NLP應用：文本校對系統.mp408丨NLP的學習方法：如何在AI爆炸時代快速上手學習？.mp409丨深度學習框架：選擇合适的深度學習框架？10丨深度學習與硬件：CPU.mp411丨深度學習與硬件：GPU.mp412丨深度學習與硬件：TPU.mp413丨AI項目部署：基本原則.mp414丨AI項目部署：框架選擇.mp415丨AI項目部署：微服務簡介.mp416丨統計學基礎：随機性是如何改變數據拟合的本質的？.mp417丨神經網絡基礎：神經網絡還是複合函數.mp418丨神經網絡基礎：訓練神經網絡.mp419丨神經網絡基礎：神經網絡的基礎構成.mp420丨Embedding簡介.mp421丨RNN簡介：馬爾可夫過程和隐馬爾可夫過程.mp422丨RNN簡介：RNN和LSTM.mp423丨CNN：卷積神經網絡是什麽？.mp424丨環境部署：如何構建簡單的深度學習環境？.mp425丨PyTorch簡介：Tensor和相關運算.mp426丨PyTorch簡介：如何構造Dataset和DataLoader？.mp427丨PyTorch簡介：如何構造神經網絡？.mp428丨文本分類實踐：如何進行簡單的文本分類？.mp429丨文本分類實踐的評價：如何提升進一步的分類效果？.mp430丨經典的數據挖掘方法：數據驅動型開發早期的努力.mp431丨表格化數據挖掘基本流程：看看現在的數據挖掘都是怎麽做的？.mp432丨Pandas簡介：如何使用Pandas對數據進行處理？.mp433丨Matplotlib簡介：如何進行簡單的可視化分析？.mp434丨半自動特征構建方法：TargetMeanEncoding.mp435丨半自動特征構建方法：CategoricalEncoder.mp436丨半自動特征構建方法：連續變量的離散化.mp437丨半自動特征構建方法：EntityEmbedding.mp438丨半自動構建方法：EntityEmbedding的實現.mp439丨半自動特征構建方法：連續變量的轉換.mp440丨半自動特征構建方法：缺失變量和異常值的處理.mp441丨自動特征構建方法：Symboliclearning和AutoCross簡介.mp442丨降維方法：PCA、NMF和tSNE.mp443丨降維方法：DenoisingAutoEncoders.mp444丨降維方法：VariationalAutoEncoder.mp445丨變量選擇方法.mp446丨集成樹模型：如何提升決策樹的效果47丨集成樹模型：GBDT和XgBoost的數學表達.mp448丨集成樹模型：LightGBM簡介.mp449丨集成樹模型：CatBoost和NGBoost簡介.mp450丨神經網絡建模：如何讓神經網絡實現你的數據挖掘需求51丨神經網絡的構建：ResidualConnection和DenseConnection.mp451-99
51丨健康檢查：與Liveness、Readiness、Startup探測集成實現高可用.mp452丨神經網絡的構建：NetworkinNetwork.mp453丨神經網絡的構建：GatingMechanism和Attention.mp454丨神經網絡的構建：Memory.mp455丨神經網絡的構建：ActivationFunction.mp456丨神經網絡的構建：Normalization.mp457丨神經網絡的訓練：初始化.mp458丨神經網絡的訓練：學習率和Warm-up.mp459丨神經網絡的訓練：新的PyTorch訓練框架.mp460丨Transformer：如何通過Transformer榨取重要變量？.mp461丨Transformer代碼實現剖析.mp462丨xDeepFM：如何用神經網絡處理高維的特征？.mp463丨xDeepFM的代碼解析.mp464丨時序建模：如何用神經網絡解決時間序列的預測問題？.mp465丨圖嵌入：如何将圖關系納入模型？.mp466丨圖網絡簡介：如何在圖結構的基礎上建立神經網絡？.mp467丨模型融合基礎：如何讓你所學到的模型方法一起發揮作用？.mp468丨高級模型融合技巧：Metades是什麽？.mp469丨挖掘自然語言中的人工特征：如何用傳統的特征解決問題？.mp470丨重新審視WordEmbedding：NegativeSampling和ContextualEmbedding71丨深度遷移學習模型：從ELMo到BERT.mp472丨深度遷移學習模型：RoBERTa、XLNet、ERNIE和T5.mp473丨深度遷移學習模型：ALBERT和ELECTRA.mp474丨深度遷移學習模型的微調：如何使用TensorFlow在TPU對模型進行微調.mp475丨深度遷移學習模型的微調：TensorFlowBERT代碼簡析.mp476丨深度遷移學習的微調：如何利用PyTorch實現深度遷移學習模型的微調及代碼簡析.mp477丨優化器：Adam和AdamW.mp478丨優化器：Lookahead，Radam和Lamb.mp479丨多重loss的方式：如何使用多重loss來提高模型準确率？.mp480丨數據擴充的基本方法：如何從少部分數據中擴充更多的數據并避免過拟合？.mp481丨UDA：一種系統的數據擴充框架.mp482丨LabelSmoothing和LogitSqueezing.mp483丨底層模型拼接：如何讓不同的語言模型融合在一起從而達到更好的效果？.mp484丨上層模型拼接：如何在語言模型基礎上拼接更多的模型？.mp485丨長文本分類：截取、關鍵詞拼接和預測平均.mp486丨VirtualAdverserialTraining：如何減少一般對抗訓練難收斂的問題并提高結果的魯棒性？.mp487丨其他Embedding的訓練：還有哪些Embedding方法？.mp488丨訓練預語言模型.mp489丨多任務訓練：如何利用多任務訓練來提升效果？.mp490丨DomainAdaptation：如何利用其它有标注語料來提升效果？.mp491丨Few-shotLearning：是否有更好的利用不同任務的方法？.mp492丨半監督學習：如何讓沒有标注的數據也派上用場？.mp493丨依存分析和SemanticParsing概述.mp494丨依存分析和UniversalDepdencyRelattions.mp495丨Stanza使用.mp496丨ShiftReduce算法.mp497丨基于神經網絡的依存分析算法.mp498丨樹神經網絡：如何采用TreeLSTM和其它拓展方法？.mp499丨SemanticParsing基礎：SemanticParsing的任務是什麽？.mp4100丨WikiSQL任務簡介.mp4
101丨ASDL和AST.mp4
102丨Tranx簡介.mp4
103丨LambdaCaculus概述.mp4
104丨Lambda-DCS概述.mp4
105丨InductiveLogicProgramming：基本設定.mp4
106丨InductiveLogicProgramming：一個可微的實現.mp4
107丨增強學習的基本設定：增強學習與傳統的預測性建模有什麽區别？.mp4
108丨最短路問題和DijkstraAlgorithm.mp4
109丨Q-learning：如何進行Q-learning算法的推導？.mp4
110丨Rainbow：如何改進Q-learning算法？.mp4
111丨PolicyGradient：如何進行PolicyGradient的基本推導？.mp4
112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4
113丨Gumbel-trick：如何将離散的優化改變爲連續的優化問題？.mp4
114丨MCTS簡介：如何将“推理”引入到強化學習框架中.mp4
115丨DirectPolictyGradient：基本設定及Gumbel-trick的使用116丨DirectPolictyGradient：軌迹生成方法.mp4
117丨AutoML及NeuralArchitectureSearch簡介.mp4
118丨AutoML網絡架構舉例.mp4
119丨RENAS：如何使用遺傳算法和增強學習探索網絡架構.mp4
120丨DifferentiableSearch：如何将NAS變爲可微的問題.mp4
121丨層次搜索法：如何在模塊之間進行搜索？.mp4
122丨LeNAS：如何搜索搜索space.mp4
123丨超參數搜索：如何尋找算法的超參數.mp4
124丨Learningtooptimize：是否可以讓機器學到一個新的優化器.mp4
125丨遺傳算法和增強學習的結合.mp4
126丨使用增強學習改進組合優化的算法.mp4
127丨多代理增強學習概述：什麽是多代理增強學習？.mp4
128丨AlphaStar介紹：AlphaStar中采取了哪些技術？.mp4
129丨IMPALA：多Agent的Actor-Critic算法.mp4
130丨COMAAgent之間的交流.mp4
131丨多模态表示學習簡介.mp4
132丨知識蒸餾：如何加速神經網絡推理.mp4
133丨DeepGBM：如何用神經網絡捕捉集成樹模型的知識.mp4
134丨文本推薦系統和增強學習.mp4
135丨RL訓練方法集錦：簡介.mp4
136丨RL訓練方法RL實驗的注意事項.mp4
137丨PPO算法.mp4
138丨Reward設計的一般原則.mp4
139丨解決SparseReward的一些方法.mp4
140丨ImitationLearning和Self-imitationLearning.mp4
141丨增強學習中的探索問題.mp4
142丨Model-basedReinforcementLearning.mp4
143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
144丨Quora問題等價性案例學習：預處理和人工特征.mp4
145丨Quora問題等價性案例學習：深度學習模型.mp4
146丨文本校對案例學習.mp4
147丨微服務和Kubernetes簡介.mp4
148丨Docker簡介.mp4
149丨Docker部署實踐.mp4
150丨Kubernetes基本概念.mp4
151丨Kubernetes部署實踐.mp4
152丨Kubernetes自動擴容.mp4
153丨Kubernetes服務發現.mp4
154丨KubernetesIngress.mp4
155丨Kubernetes健康檢查.mp4
156丨Kubernetes灰度上線.mp4
157丨KubernetesStatefulSets.mp4
158丨Istio簡介：Istio包含哪些功能？.mp4
159丨Istio實例和CircuitBreaker.mp4
160丨結束語.mp4
**** 本内容需购买 ****
6666666666666666666 强烈支持楼主ing…… 强烈支持楼主ing…… good resource 强烈支持楼主ing…… 激动人心，无法言表！ 强烈支持楼主ing…… 强烈支持楼主ing…… 66666