NLP实战高手课
01-50[21.88G]
01丨課程介紹.mp4[203.89M] 02丨内容綜述.mp4[449.68M] 03丨AI概覽：宣傳片外的人工智能.mp4[831.02M] 04丨AI項目流程：從實驗到落地.mp4[980.65M] 05丨NLP領域簡介：NLP基本任務及研究方向.mp4[597.71M] 06丨NLP應用：智能問答系統.mp4[397.25M] 07丨NLP應用：文本校對系統.mp4[258.20M] 08丨NLP的學習方法：如何在AI爆炸時代快速上手學習？.mp4[455.99M] 09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.mp4[1.42G] 11丨深度學習與硬件：GPU.mp4[401.70M] 12丨深度學習與硬件：TPU.mp4[359.36M] 13丨AI項目部署：基本原則.mp4[147.03M] 14丨AI項目部署：框架選擇.mp4[211.81M] 15丨AI項目部署：微服務簡介.mp4[265.17M] 16丨統計學基礎：随機性是如何改變數據拟合的本質的？.mp4[437.88M] 17丨神經網絡基礎：神經網絡還是複合函數.mp4[333.07M] 18丨神經網絡基礎：訓練神經網絡.mp4[338.65M] 19丨神經網絡基礎：神經網絡的基礎構成.mp4[676.95M] 20丨Embedding簡介.mp4[258.05M] 21丨RNN簡介：馬爾可夫過程和隐馬爾可夫過程.mp4[270.16M] 22丨RNN簡介：RNN和LSTM.mp4[626.94M] 23丨CNN：卷積神經網絡是什麽？.mp4[248.95M] 24丨環境部署：如何構建簡單的深度學習環境？.mp4[871.99M] 25丨PyTorch簡介：Tensor和相關運算.mp4[406.72M] 26丨PyTorch簡介：如何構造Dataset和DataLoader？.mp4[330.48M] 27丨PyTorch簡介：如何構造神經網絡？.mp4[571.70M] 28丨文本分類實踐：如何進行簡單的文本分類？.mp4[548.07M] 29丨文本分類實踐的評價：如何提升進一步的分類效果？.mp4[858.82M] 30丨經典的數據挖掘方法：數據驅動型開發早期的努力.mp4[355.29M] 31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？.mp4[292.29M] 32丨Pandas簡介：如何使用Pandas對數據進行處理？.mp4[559.10M] 33丨Matplotlib簡介：如何進行簡單的可視化分析？.mp4[268.35M] 34丨半自動特征構建方法：TargetMeanEncoding.mp4[298.85M] 35丨半自動特征構建方法：CategoricalEncoder.mp4[303.73M] 36丨半自動特征構建方法：連續變量的離散化.mp4[333.40M] 37丨半自動特征構建方法：EntityEmbedding.mp4[0.98G] 38丨半自動構建方法：EntityEmbedding的實現.mp4[766.24M] 39丨半自動特征構建方法：連續變量的轉換.mp4[637.32M] 40丨半自動特征構建方法：缺失變量和異常值的處理.mp4[211.77M] 41丨自動特征構建方法：Symboliclearning和AutoCross簡介.mp4[460.30M] 42丨降維方法：PCA、NMF和tSNE.mp4[644.72M] 43丨降維方法：DenoisingAutoEncoders.mp4[163.43M] 44丨降維方法：VariationalAutoEncoder.mp4[455.04M] 45丨變量選擇方法.mp4[192.63M] 46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.mp4[840.59M] 48丨集成樹模型：LightGBM簡介.mp4[244.94M] 49丨集成樹模型：CatBoost和NGBoost簡介.mp4[115.01M] 50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.mp4[465.76M] 51-99[18.82G]
51丨健康檢查：與Liveness、Readiness、Startup探測集成實現高可用.mp4[259.78M] 52丨神經網絡的構建：NetworkinNetwork.mp4[79.03M] 53丨神經網絡的構建：GatingMechanism和Attention.mp4[231.99M] 54丨神經網絡的構建：Memory.mp4[766.21M] 55丨神經網絡的構建：ActivationFunction.mp4[300.35M] 56丨神經網絡的構建：Normalization.mp4[260.01M] 57丨神經網絡的訓練：初始化.mp4[283.87M] 58丨神經網絡的訓練：學習率和Warm-up.mp4[560.48M] 59丨神經網絡的訓練：新的PyTorch訓練框架.mp4[921.57M] 60丨Transformer：如何通過Transformer榨取重要變量？.mp4[738.38M] 61丨Transformer代碼實現剖析.mp4[1.01G] 62丨xDeepFM：如何用神經網絡處理高維的特征？.mp4[522.80M] 63丨xDeepFM的代碼解析.mp4[354.43M] 64丨時序建模：如何用神經網絡解決時間序列的預測問題？.mp4[785.60M] 65丨圖嵌入：如何将圖關系納入模型？.mp4[548.22M] 66丨圖網絡簡介：如何在圖結構的基礎上建立神經網絡？.mp4[699.96M] 67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？.mp4[296.79M] 68丨高級模型融合技巧：Metades是什麽？.mp4[544.12M] 69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？.mp4[432.08M] 70丨重新審視WordEmbedding：NegativeSampling和ContextualEmbedding71丨深度遷移學習模型：從ELMo到BERT.mp4[748.94M] 72丨深度遷移學習模型：RoBERTa、XLNet、ERNIE和T5.mp4[588.16M] 73丨深度遷移學習模型：ALBERT和ELECTRA.mp4[171.30M] 74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.mp4[737.71M] 75丨深度遷移學習模型的微調：TensorFlowBERT代碼簡析.mp4[933.53M] 76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.mp4[426.67M] 77丨優化器：Adam和AdamW.mp4[387.39M] 78丨優化器：Lookahead，Radam和Lamb.mp4[139.67M] 79丨多重loss的方式：如何使用多重loss來提高模型準确率？.mp4[233.12M] 80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？.mp4[176.48M] 81丨UDA：一種系統的數據擴充框架.mp4[376.98M] 82丨LabelSmoothing和LogitSqueezing.mp4[111.88M] 83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？.mp4[146.64M] 84丨上層模型拼接：如何在語言模型基礎上拼接更多的模型？.mp4[287.87M] 85丨長文本分類：截取、關鍵詞拼接和預測平均.mp4[299.03M] 86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？.mp4[313.04M] 87丨其他Embedding的訓練：還有哪些Embedding方法？.mp4[134.90M] 88丨訓練預語言模型.mp4[221.56M] 89丨多任務訓練：如何利用多任務訓練來提升效果？.mp4[402.13M] 90丨DomainAdaptation：如何利用其它有标注語料來提升效果？.mp4[193.87M] 91丨Few-shotLearning：是否有更好的利用不同任務的方法？.mp4[359.41M] 92丨半監督學習：如何讓沒有标注的數據也派上用場？.mp4[120.79M] 93丨依存分析和SemanticParsing概述.mp4[87.43M] 94丨依存分析和UniversalDepdencyRelattions.mp4[426.96M] 95丨Stanza使用.mp4[379.80M] 96丨ShiftReduce算法.mp4[216.86M] 97丨基于神經網絡的依存分析算法.mp4[652.13M] 98丨樹神經網絡：如何采用TreeLSTM和其它拓展方法？.mp4[107.83M] 99丨SemanticParsing基礎：SemanticParsing的任務是什麽？.mp4[268.18M] 100丨WikiSQL任務簡介.mp4[291.34M]
101丨ASDL和AST.mp4[173.27M]
102丨Tranx簡介.mp4[282.18M]
103丨LambdaCaculus概述.mp4[139.70M]
104丨Lambda-DCS概述.mp4[332.32M]
105丨InductiveLogicProgramming：基本設定.mp4[433.00M]
106丨InductiveLogicProgramming：一個可微的實現.mp4[269.26M]
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[202.98M]
108丨最短路問題和DijkstraAlgorithm.mp4[245.67M]
109丨Q-learning：如何進行Q-learning算法的推導？.mp4[1.09G]
110丨Rainbow：如何改進Q-learning算法？.mp4[511.28M]
111丨PolicyGradient：如何進行PolicyGradient的基本推導？.mp4[290.66M]
112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4[427.47M]
113丨Gumbel-trick：如何将離散的優化改變爲連續的優化問題？.mp4[230.92M]
114丨MCTS簡介：如何将“推理”引入到強化學習框架中.mp4[350.78M]
115丨DirectPolictyGradient：基本設定及Gumbel-trick的使用116丨DirectPolictyGradient：軌迹生成方法.mp4[959.78M]
117丨AutoML及NeuralArchitectureSearch簡介.mp4[265.88M]
118丨AutoML網絡架構舉例.mp4[554.74M]
119丨RENAS：如何使用遺傳算法和增強學習探索網絡架構.mp4[425.47M]
120丨DifferentiableSearch：如何将NAS變爲可微的問題.mp4[347.24M]
121丨層次搜索法：如何在模塊之間進行搜索？.mp4[179.09M]
122丨LeNAS：如何搜索搜索space.mp4[190.28M]
123丨超參數搜索：如何尋找算法的超參數.mp4[293.32M]
124丨Learningtooptimize：是否可以讓機器學到一個新的優化器.mp4[257.21M]
125丨遺傳算法和增強學習的結合.mp4[202.38M]
126丨使用增強學習改進組合優化的算法.mp4[446.44M]
127丨多代理增強學習概述：什麽是多代理增強學習？.mp4[240.57M]
128丨AlphaStar介紹：AlphaStar中采取了哪些技術？.mp4[326.62M]
129丨IMPALA：多Agent的Actor-Critic算法.mp4[276.65M]
130丨COMAAgent之間的交流.mp4[165.55M]
131丨多模态表示學習簡介.mp4[234.98M]
132丨知識蒸餾：如何加速神經網絡推理.mp4[180.35M]
133丨DeepGBM：如何用神經網絡捕捉集成樹模型的知識.mp4[91.29M]
134丨文本推薦系統和增強學習.mp4[464.30M]
135丨RL訓練方法集錦：簡介.mp4[279.48M]
136丨RL訓練方法RL實驗的注意事項.mp4[235.73M]
137丨PPO算法.mp4[302.71M]
138丨Reward設計的一般原則.mp4[184.90M]
139丨解決SparseReward的一些方法.mp4[660.97M]
140丨ImitationLearning和Self-imitationLearning.mp4[429.06M]
141丨增強學習中的探索問題.mp4[453.05M]
142丨Model-basedReinforcementLearning.mp4[340.44M]
143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4[508.33M]
144丨Quora問題等價性案例學習：預處理和人工特征.mp4[446.85M]
145丨Quora問題等價性案例學習：深度學習模型.mp4[365.70M]
146丨文本校對案例學習.mp4[409.67M]
147丨微服務和Kubernetes簡介.mp4[223.20M]
148丨Docker簡介.mp4[178.70M]
149丨Docker部署實踐.mp4[342.93M]
150丨Kubernetes基本概念.mp4[214.84M]
151丨Kubernetes部署實踐.mp4[462.29M]
152丨Kubernetes自動擴容.mp4[278.23M]
153丨Kubernetes服務發現.mp4[136.96M]
154丨KubernetesIngress.mp4[254.00M]
155丨Kubernetes健康檢查.mp4[235.37M]
156丨Kubernetes灰度上線.mp4[232.75M]
157丨KubernetesStatefulSets.mp4[174.90M]
158丨Istio簡介：Istio包含哪些功能？.mp4[122.10M]
159丨Istio實例和CircuitBreaker.mp4[379.05M]
160丨結束語.mp4[127.65M]
| 
发表于 2023-4-17 17:11
