全方位提升你的 NLP 实战技能!
【极客时间-100046401】NLP 实战高手课59.37GB
01-5021.88GB
01丨课程介绍.mp4203.89MB
02丨内容综述.mp4449.68MB
03丨AI概览:宣传片外的人工智能.mp4831.02MB
04丨AI项目流程:从实验到落地.mp4980.65MB
05丨NLP领域简介:NLP基本任务及研究方向.mp4597.71MB
06丨NLP应用:智能问答系统.mp4397.25MB
07丨NLP应用:文本校对系统.mp4258.2MB
08丨NLP的学习方法:如何在AI爆炸时代快速上手学习?.mp4455.99MB
09丨深度学习框架:选择合适的深度学习框架?10丨深度学习与硬件:CPU.mp41.42GB
11丨深度学习与硬件:GPU.mp4401.7MB
12丨深度学习与硬件:TPU.mp4359.36MB
13丨AI项目部署:基本原则.mp4147.03MB
14丨AI项目部署:框架选择.mp4211.81MB
15丨AI项目部署:微服务简介.mp4265.17MB
16丨统计学基础:随机性是如何改变数据拟合的本质的?.mp4437.88MB
17丨神经网络基础:神经网络还是复合函数.mp4333.07MB
18丨神经网络基础:训练神经网络.mp4338.65MB
19丨神经网络基础:神经网络的基础构成.mp4676.95MB
20丨Embedding简介.mp4258.05MB
21丨RNN简介:马尔可夫过程和隐马尔可夫过程.mp4270.16MB
22丨RNN简介:RNN和LSTM.mp4626.94MB
23丨CNN:卷积神经网络是什么?.mp4248.95MB
24丨环境部署:如何构建简单的深度学习环境?.mp4871.99MB
25丨PyTorch简介:Tensor和相关运算.mp4406.72MB
26丨PyTorch简介:如何构造Dataset和DataLoader?.mp4330.48MB
27丨PyTorch简介:如何构造神经网络?.mp4571.7MB
28丨文本分类实践:如何进行简单的文本分类?.mp4548.07MB
29丨文本分类实践的评价:如何提升进一步的分类效果?.mp4858.82MB
30丨经典的数据挖掘方法:数据驱动型开发早期的努力.mp4355.29MB
31丨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?.mp4292.29MB
32丨Pandas 简介:如何使用Pandas对数据进行处理?.mp4559.1MB
33丨Matplotlib 简介:如何进行简单的可视化分析?.mp4268.35MB
34丨半自动特征构建方法:Target Mean Encoding.mp4298.85MB
35丨半自动特征构建方法:Categorical Encoder.mp4303.73MB
36丨半自动特征构建方法:连续变量的离散化.mp4333.4MB
37丨半自动特征构建方法:Entity Embedding.mp41005.85MB
38丨半自动构建方法:Entity Embedding的实现.mp4766.24MB
39丨半自动特征构建方法:连续变量的转换.mp4637.32MB
40丨半自动特征构建方法:缺失变量和异常值的处理.mp4211.77MB
41丨自动特征构建方法:Symbolic learning和AutoCross简介.mp4460.3MB
42丨降维方法:PCA、NMF 和 tSNE.mp4644.72MB
43丨降维方法:Denoising Auto Encoders.mp4163.43MB
44丨降维方法:Variational Auto Encoder.mp4455.04MB
45丨变量选择方法.mp4192.63MB
46丨集成树模型:如何提升决策树的效果47丨集成树模型:GBDT和XgBoost的数学表达.mp4840.59MB
48丨集成树模型:LightGBM简介.mp4244.94MB
49丨集成树模型:CatBoost和NGBoost简介.mp4115.01MB
50丨神经网络建模:如何让神经网络实现你的数据挖掘需求 51丨神经网络的构建:ResidualConnection和DenseConnection.mp4465.76MB
51-9918.82GB
51丨健康检查:与Liveness、Readiness、Startup探测集成实现高可用.mp4259.78MB
52丨神经网络的构建:NetworkinNetwork.mp479.03MB
53丨神经网络的构建:GatingMechanism和Attention.mp4231.99MB
54丨神经网络的构建:Memory.mp4766.21MB
55丨神经网络的构建:ActivationFunction.mp4300.35MB
56丨神经网络的构建:Normalization.mp4260.01MB
57丨神经网络的训练:初始化.mp4283.87MB
58丨神经网络的训练:学习率和Warm-up.mp4560.48MB
59丨神经网络的训练:新的PyTorch训练框架.mp4921.57MB
60丨Transformer:如何通过Transformer榨取重要变量?.mp4738.38MB
61丨Transformer代码实现剖析.mp41.01GB
62丨xDeepFM:如何用神经网络处理高维的特征?.mp4522.8MB
63丨xDeepFM的代码解析.mp4354.43MB
64丨时序建模:如何用神经网络解决时间序列的预测问题?.mp4785.6MB
65丨图嵌入:如何将图关系纳入模型?.mp4548.22MB
66丨图网络简介:如何在图结构的基础上建立神经网络?.mp4699.96MB
67丨模型融合基础:如何让你所学到的模型方法一起发挥作用?.mp4296.79MB
68丨高级模型融合技巧:Metades是什么?.mp4544.12MB
69丨挖掘自然语言中的人工特征:如何用传统的特征解决问题?.mp4432.08MB
70丨重新审视Word Embedding:Negative Sampling和Contextual Embedding71丨深度迁移学习模型:从ELMo到BERT.mp4748.94MB
72丨深度迁移学习模型:RoBERTa、XLNet、ERNIE和T5.mp4588.16MB
73丨深度迁移学习模型:ALBERT和ELECTRA.mp4171.3MB
74丨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.mp4737.71MB
75丨深度迁移学习模型的微调:TensorFlowBERT代码简析.mp4933.53MB
76丨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.mp4426.67MB
77丨优化器:Adam和AdamW.mp4387.39MB
78丨优化器:Lookahead,Radam和Lamb.mp4139.67MB
79丨多重loss的方式:如何使用多重loss来提高模型准确率?.mp4233.12MB
80丨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?.mp4176.48MB
81丨UDA:一种系统的数据扩充框架.mp4376.98MB
82丨LabelSmoothing和LogitSqueezing.mp4111.88MB
83丨底层模型拼接:如何让不同的语言模型融合在一起从而达到更好的效果?.mp4146.64MB
84丨上层模型拼接:如何在语言模型基础上拼接更多的模型?.mp4287.87MB
85丨长文本分类:截取、关键词拼接和预测平均.mp4299.03MB
86丨VirtualAdverserialTraining: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?.mp4313.04MB
87丨其他Embedding的训练:还有哪些Embedding方法?.mp4134.9MB
88丨训练预语言模型.mp4221.56MB
89丨多任务训练:如何利用多任务训练来提升效果?.mp4402.13MB
90丨DomainAdaptation:如何利用其它有标注语料来提升效果?.mp4193.87MB
91丨Few-shotLearning:是否有更好的利用不同任务的方法?.mp4359.41MB
92丨半监督学习:如何让没有标注的数据也派上用场?.mp4120.79MB
93丨依存分析和SemanticParsing概述.mp487.43MB
94丨依存分析和UniversalDepdencyRelattions.mp4426.96MB
95丨Stanza使用.mp4379.8MB
96丨ShiftReduce算法.mp4216.86MB
97丨基于神经网络的依存分析算法.mp4652.13MB
98丨树神经网络:如何采用TreeLSTM和其它拓展方法?.mp4107.83MB
99丨SemanticParsing基础:SemanticParsing的任务是什么?.mp4268.18MB
100丨WikiSQL任务简介.mp4291.34MB
101丨ASDL和AST.mp4173.27MB
102丨Tranx简介.mp4282.18MB
103丨LambdaCaculus概述.mp4139.7MB
104丨Lambda-DCS概述.mp4332.32MB
105丨InductiveLogicProgramming:基本设定.mp4433MB
107丨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?.mp4202.98MB
108丨最短路问题和DijkstraAlgorithm.mp4245.67MB
109丨Q-learning:如何进行Q-learning算法的推导?.mp41.09GB
110丨Rainbow:如何改进Q-learning算法?.mp4511.28MB
111丨PolicyGradient:如何进行PolicyGradient的基本推导?.mp4290.66MB
112丨A2C和A3C:如何提升基本的PolicyGradient算法.mp4427.47MB
113丨Gumbel-trick:如何将离散的优化改变为连续的优化问题?.mp4230.92MB
114丨MCTS简介:如何将“推理”引入到强化学习框架中.mp4350.78MB
115丨DirectPolictyGradient:基本设定及Gumbel-trick的使用116丨DirectPolictyGradient:轨迹生成方法.mp4959.78MB
117丨AutoML及NeuralArchitectureSearch简介.mp4265.88MB
118丨AutoML网络架构举例.mp4554.74MB
119丨RENAS:如何使用遗传算法和增强学习探索网络架构.mp4425.47MB
120丨DifferentiableSearch:如何将NAS变为可微的问题.mp4347.24MB
121丨层次搜索法:如何在模块之间进行搜索?.mp4179.09MB
122丨LeNAS:如何搜索搜索space.mp4190.28MB
123丨超参数搜索:如何寻找算法的超参数.mp4293.32MB
124丨Learning to optimize:是否可以让机器学到一个新的优化器.mp4257.21MB
125丨遗传算法和增强学习的结合.mp4202.38MB
126丨使用增强学习改进组合优化的算法.mp4446.44MB
127丨多代理增强学习概述:什么是多代理增强学习?.mp4240.57MB
128丨AlphaStar介绍:AlphaStar中采取了哪些技术?.mp4326.62MB
129丨IMPALA:多Agent的Actor-Critic算法.mp4276.65MB
130丨COMAAgent之间的交流.mp4165.55MB
131丨多模态表示学习简介.mp4234.98MB
132丨知识蒸馏:如何加速神经网络推理.mp4180.35MB
133丨DeepGBM:如何用神经网络捕捉集成树模型的知识.mp491.29MB
134丨文本推荐系统和增强学习.mp4464.3MB
135丨RL训练方法集锦:简介.mp4279.48MB
136丨RL训练方法RL实验的注意事项.mp4235.73MB
137丨PPO算法.mp4302.71MB
138丨Reward设计的一般原则.mp4184.9MB
139丨解决SparseReward的一些方法.mp4660.97MB
140丨ImitationLearning和Self-imitationLearning.mp4429.06MB
141丨增强学习中的探索问题.mp4453.05MB
142丨Model-basedReinforcementLearning.mp4340.44MB
143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4508.33MB
144丨Quora问题等价性案例学习:预处理和人工特征.mp4446.85MB
145丨Quora问题等价性案例学习:深度学习模型.mp4365.7MB
146丨文本校对案例学习.mp4409.67MB
147丨微服务和Kubernetes简介.mp4223.2MB
148丨Docker简介.mp4178.7MB
149丨Docker部署实践.mp4342.93MB
150丨Kubernetes基本概念.mp4214.84MB
151丨Kubernetes部署实践.mp4462.29MB
152丨Kubernetes自动扩容.mp4278.23MB
153丨Kubernetes服务发现.mp4136.96MB
154丨Kubernetes Ingress.mp4254MB
155丨Kubernetes健康检查.mp4235.37MB
156丨Kubernetes灰度上线.mp4232.75MB
157丨Kubernetes Stateful Sets.mp4174.9MB
158丨Istio简介:Istio包含哪些功能?.mp4122.1MB
159丨Istio实例和Circuit Breaker.mp4379.05MB
160丨结束语.mp4127.65MB
网站声明:
1. 该网盘资源的安全性和完整性需要您自行判断,点击下载地址直接跳转到网盘官方页面。本站链接通过程序自动收集互联网公开分享链接,本站不储存、复制、传播任何网盘文件,也不提供下载服务。
2. 本站遵守相关法律法规,坚决杜绝一切违规不良信息,如您发现任何涉嫌违规的网盘信息,请立即向网盘官方网站举报,并及时反馈给我们进行屏蔽删除。
3. 本站高度重视知识产权保护和个人隐私保护,如有网盘链接侵犯您的合法权益,请立即向网盘官方网站举报,并参见本站《版权说明》提供书面材料联系我们屏蔽删改。
1. 该网盘资源的安全性和完整性需要您自行判断,点击下载地址直接跳转到网盘官方页面。本站链接通过程序自动收集互联网公开分享链接,本站不储存、复制、传播任何网盘文件,也不提供下载服务。
2. 本站遵守相关法律法规,坚决杜绝一切违规不良信息,如您发现任何涉嫌违规的网盘信息,请立即向网盘官方网站举报,并及时反馈给我们进行屏蔽删除。
3. 本站高度重视知识产权保护和个人隐私保护,如有网盘链接侵犯您的合法权益,请立即向网盘官方网站举报,并参见本站《版权说明》提供书面材料联系我们屏蔽删改。