夸克网盘
5积分
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.mp4203.89MB02丨内容综述.mp4449.68MB03丨AI概览：宣传片外的人工智能.mp4831.02MB04丨AI项目流程：从实验到落地.mp4980.65MB05丨NLP领域简介：NLP基本任务及研究方向.mp4597.71MB06丨NLP应用：智能问答系统.mp4397.25MB07丨NLP应用：文本校对系统.mp4258.2MB08丨NLP的学习方法：如何在AI爆炸时代快速上手学习？.mp4455.99MB09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.mp41.42GB11丨深度学习与硬件：GPU.mp4401.7MB12丨深度学习与硬件：TPU.mp4359.36MB13丨AI项目部署：基本原则.mp4147.03MB14丨AI项目部署：框架选择.mp4211.81MB15丨AI项目部署：微服务简介.mp4265.17MB16丨统计学基础：随机性是如何改变数据拟合的本质的？.mp4437.88MB17丨神经网络基础：神经网络还是复合函数.mp4333.07MB18丨神经网络基础：训练神经网络.mp4338.65MB19丨神经网络基础：神经网络的基础构成.mp4676.95MB20丨Embedding简介.mp4258.05MB21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4270.16MB22丨RNN简介：RNN和LSTM.mp4626.94MB23丨CNN：卷积神经网络是什么？.mp4248.95MB24丨环境部署：如何构建简单的深度学习环境？.mp4871.99MB25丨PyTorch简介：Tensor和相关运算.mp4406.72MB26丨PyTorch简介：如何构造Dataset和DataLoader？.mp4330.48MB27丨PyTorch简介：如何构造神经网络？.mp4571.7MB28丨文本分类实践：如何进行简单的文本分类？.mp4548.07MB29丨文本分类实践的评价：如何提升进一步的分类效果？.mp4858.82MB30丨经典的数据挖掘方法：数据驱动型开发早期的努力.mp4355.29MB31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？.mp4292.29MB32丨Pandas 简介：如何使用Pandas对数据进行处理？.mp4559.1MB33丨Matplotlib 简介：如何进行简单的可视化分析？.mp4268.35MB34丨半自动特征构建方法：Target Mean Encoding.mp4298.85MB35丨半自动特征构建方法：Categorical Encoder.mp4303.73MB36丨半自动特征构建方法：连续变量的离散化.mp4333.4MB37丨半自动特征构建方法：Entity Embedding.mp41005.85MB38丨半自动构建方法：Entity Embedding的实现.mp4766.24MB39丨半自动特征构建方法：连续变量的转换.mp4637.32MB40丨半自动特征构建方法：缺失变量和异常值的处理.mp4211.77MB41丨自动特征构建方法：Symbolic learning和AutoCross简介.mp4460.3MB42丨降维方法：PCA、NMF 和 tSNE.mp4644.72MB43丨降维方法：Denoising Auto Encoders.mp4163.43MB44丨降维方法：Variational Auto Encoder.mp4455.04MB45丨变量选择方法.mp4192.63MB46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.mp4840.59MB48丨集成树模型：LightGBM简介.mp4244.94MB49丨集成树模型：CatBoost和NGBoost简介.mp4115.01MB50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.mp4465.76MB51-9918.82GB
51丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用.mp4259.78MB52丨神经网络的构建：NetworkinNetwork.mp479.03MB53丨神经网络的构建：GatingMechanism和Attention.mp4231.99MB54丨神经网络的构建：Memory.mp4766.21MB55丨神经网络的构建：ActivationFunction.mp4300.35MB56丨神经网络的构建：Normalization.mp4260.01MB57丨神经网络的训练：初始化.mp4283.87MB58丨神经网络的训练：学习率和Warm-up.mp4560.48MB59丨神经网络的训练：新的PyTorch训练框架.mp4921.57MB60丨Transformer：如何通过Transformer榨取重要变量？.mp4738.38MB61丨Transformer代码实现剖析.mp41.01GB62丨xDeepFM：如何用神经网络处理高维的特征？.mp4522.8MB63丨xDeepFM的代码解析.mp4354.43MB64丨时序建模：如何用神经网络解决时间序列的预测问题？.mp4785.6MB65丨图嵌入：如何将图关系纳入模型？.mp4548.22MB66丨图网络简介：如何在图结构的基础上建立神经网络？.mp4699.96MB67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？.mp4296.79MB68丨高级模型融合技巧：Metades是什么？.mp4544.12MB69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？.mp4432.08MB70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.mp4748.94MB72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.mp4588.16MB73丨深度迁移学习模型：ALBERT和ELECTRA.mp4171.3MB74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.mp4737.71MB75丨深度迁移学习模型的微调：TensorFlowBERT代码简析.mp4933.53MB76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.mp4426.67MB77丨优化器：Adam和AdamW.mp4387.39MB78丨优化器：Lookahead，Radam和Lamb.mp4139.67MB79丨多重loss的方式：如何使用多重loss来提高模型准确率？.mp4233.12MB80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？.mp4176.48MB81丨UDA：一种系统的数据扩充框架.mp4376.98MB82丨LabelSmoothing和LogitSqueezing.mp4111.88MB83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？.mp4146.64MB84丨上层模型拼接：如何在语言模型基础上拼接更多的模型？.mp4287.87MB85丨长文本分类：截取、关键词拼接和预测平均.mp4299.03MB86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？.mp4313.04MB87丨其他Embedding的训练：还有哪些Embedding方法？.mp4134.9MB88丨训练预语言模型.mp4221.56MB89丨多任务训练：如何利用多任务训练来提升效果？.mp4402.13MB90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4193.87MB91丨Few-shotLearning：是否有更好的利用不同任务的方法？.mp4359.41MB92丨半监督学习：如何让没有标注的数据也派上用场？.mp4120.79MB93丨依存分析和SemanticParsing概述.mp487.43MB94丨依存分析和UniversalDepdencyRelattions.mp4426.96MB95丨Stanza使用.mp4379.8MB96丨ShiftReduce算法.mp4216.86MB97丨基于神经网络的依存分析算法.mp4652.13MB98丨树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4107.83MB99丨SemanticParsing基础：SemanticParsing的任务是什么？.mp4268.18MB100丨WikiSQL任务简介.mp4291.34MB101丨ASDL和AST.mp4173.27MB102丨Tranx简介.mp4282.18MB103丨LambdaCaculus概述.mp4139.7MB104丨Lambda-DCS概述.mp4332.32MB105丨InductiveLogicProgramming：基本设定.mp4433MB107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？.mp4202.98MB108丨最短路问题和DijkstraAlgorithm.mp4245.67MB109丨Q-learning：如何进行Q-learning算法的推导？.mp41.09GB110丨Rainbow：如何改进Q-learning算法？.mp4511.28MB111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4290.66MB112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4427.47MB113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4230.92MB114丨MCTS简介：如何将“推理”引入到强化学习框架中.mp4350.78MB115丨DirectPolictyGradient：基本设定及Gumbel-trick的使用116丨DirectPolictyGradient：轨迹生成方法.mp4959.78MB117丨AutoML及NeuralArchitectureSearch简介.mp4265.88MB118丨AutoML网络架构举例.mp4554.74MB119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4425.47MB120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4347.24MB121丨层次搜索法：如何在模块之间进行搜索？.mp4179.09MB122丨LeNAS：如何搜索搜索space.mp4190.28MB123丨超参数搜索：如何寻找算法的超参数.mp4293.32MB124丨Learning to optimize：是否可以让机器学到一个新的优化器.mp4257.21MB125丨遗传算法和增强学习的结合.mp4202.38MB126丨使用增强学习改进组合优化的算法.mp4446.44MB127丨多代理增强学习概述：什么是多代理增强学习？.mp4240.57MB128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4326.62MB129丨IMPALA：多Agent的Actor-Critic算法.mp4276.65MB130丨COMAAgent之间的交流.mp4165.55MB131丨多模态表示学习简介.mp4234.98MB132丨知识蒸馏：如何加速神经网络推理.mp4180.35MB133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp491.29MB134丨文本推荐系统和增强学习.mp4464.3MB135丨RL训练方法集锦：简介.mp4279.48MB136丨RL训练方法RL实验的注意事项.mp4235.73MB137丨PPO算法.mp4302.71MB138丨Reward设计的一般原则.mp4184.9MB139丨解决SparseReward的一些方法.mp4660.97MB140丨ImitationLearning和Self-imitationLearning.mp4429.06MB141丨增强学习中的探索问题.mp4453.05MB142丨Model-basedReinforcementLearning.mp4340.44MB143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4508.33MB144丨Quora问题等价性案例学习：预处理和人工特征.mp4446.85MB145丨Quora问题等价性案例学习：深度学习模型.mp4365.7MB146丨文本校对案例学习.mp4409.67MB147丨微服务和Kubernetes简介.mp4223.2MB148丨Docker简介.mp4178.7MB149丨Docker部署实践.mp4342.93MB150丨Kubernetes基本概念.mp4214.84MB151丨Kubernetes部署实践.mp4462.29MB152丨Kubernetes自动扩容.mp4278.23MB153丨Kubernetes服务发现.mp4136.96MB154丨Kubernetes Ingress.mp4254MB155丨Kubernetes健康检查.mp4235.37MB156丨Kubernetes灰度上线.mp4232.75MB157丨Kubernetes Stateful Sets.mp4174.9MB158丨Istio简介：Istio包含哪些功能？.mp4122.1MB159丨Istio实例和Circuit Breaker.mp4379.05MB160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。