NLP 实战高手课

课程名称

NLP 实战高手课

课程描述

全方位提升你的 NLP 实战技能！

课程目录

【极客时间-100046401】NLP 实战高手课

• 100~
  • 160丨结束语.mp4
  • 159丨Istio实例和Circuit Breaker.mp4
  • 158丨Istio简介：Istio包含哪些功能？.mp4
  • 157丨Kubernetes Stateful Sets.mp4
  • 156丨Kubernetes灰度上线.mp4
  • 155丨Kubernetes健康检查.mp4
  • 154丨Kubernetes Ingress.mp4
  • 153丨Kubernetes服务发现.mp4
  • 152丨Kubernetes自动扩容.mp4
  • 151丨Kubernetes部署实践.mp4
  • 150丨Kubernetes基本概念.mp4
  • 149丨Docker部署实践.mp4
  • 148丨Docker简介.mp4
  • 147丨微服务和Kubernetes简介.mp4
  • 146丨文本校对案例学习.mp4
  • 145丨Quora问题等价性案例学习：深度学习模型.mp4
  • 144丨Quora问题等价性案例学习：预处理和人工特征.mp4
  • 143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
  • 142丨Model-basedReinforcementLearning.mp4
  • 141丨增强学习中的探索问题.mp4
  • 140丨ImitationLearning和Self-imitationLearning.mp4
  • 139丨解决SparseReward的一些方法.mp4
  • 138丨Reward设计的一般原则.mp4
  • 137丨PPO算法.mp4
  • 136丨RL训练方法RL实验的注意事项.mp4
  • 135丨RL训练方法集锦：简介.mp4
  • 134丨文本推荐系统和增强学习.mp4
  • 133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4
  • 132丨知识蒸馏：如何加速神经网络推理.mp4
  • 131丨多模态表示学习简介.mp4
  • 130丨COMAAgent之间的交流.mp4
  • 129丨IMPALA：多Agent的Actor-Critic算法.mp4
  • 128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4
  • 127丨多代理增强学习概述：什么是多代理增强学习？.mp4
  • 126丨使用增强学习改进组合优化的算法.mp4
  • 125丨遗传算法和增强学习的结合.mp4
  • 124丨Learning to optimize：是否可以让机器学到一个新的优化器.mp4
  • 123丨超参数搜索：如何寻找算法的超参数.mp4
  • 122丨LeNAS：如何搜索搜索space.mp4
  • 121丨层次搜索法：如何在模块之间进行搜索？.mp4
  • 120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4
  • 119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4
  • 118丨AutoML网络架构举例.mp4
  • 117丨AutoML及NeuralArchitectureSearch简介.mp4
  • 115丨DirectPolictyGradient：基本设定及Gumbel-trick的使用116丨DirectPolictyGradient：轨迹生成方法.mp4
  • 114丨MCTS简介：如何将“推理”引入到强化学习框架中.mp4
  • 113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4
  • 112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4
  • 111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4
  • 110丨Rainbow：如何改进Q-learning算法？.mp4
  • 109丨Q-learning：如何进行Q-learning算法的推导？.mp4
  • 108丨最短路问题和DijkstraAlgorithm.mp4
  • 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？.mp4
  • 105丨InductiveLogicProgramming：基本设定.mp4
  • 104丨Lambda-DCS概述.mp4
  • 103丨LambdaCaculus概述.mp4
  • 102丨Tranx简介.mp4
  • 101丨ASDL和AST.mp4
  • 100丨WikiSQL任务简介.mp4
• 01-99
  • 99丨SemanticParsing基础：SemanticParsing的任务是什么？.mp4
  • 98丨树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4
  • 97丨基于神经网络的依存分析算法.mp4
  • 96丨ShiftReduce算法.mp4
  • 95丨Stanza使用.mp4
  • 94丨依存分析和UniversalDepdencyRelattions.mp4
  • 93丨依存分析和SemanticParsing概述.mp4
  • 92丨半监督学习：如何让没有标注的数据也派上用场？.mp4
  • 91丨Few-shotLearning：是否有更好的利用不同任务的方法？.mp4
  • 90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4
  • 89丨多任务训练：如何利用多任务训练来提升效果？.mp4
  • 88丨训练预语言模型.mp4
  • 87丨其他Embedding的训练：还有哪些Embedding方法？.mp4
  • 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？.mp4
  • 85丨长文本分类：截取、关键词拼接和预测平均.mp4
  • 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？.mp4
  • 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？.mp4
  • 82丨LabelSmoothing和LogitSqueezing.mp4
  • 81丨UDA：一种系统的数据扩充框架.mp4
  • 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？.mp4
  • 79丨多重loss的方式：如何使用多重loss来提高模型准确率？.mp4
  • 78丨优化器：Lookahead，Radam和Lamb.mp4
  • 77丨优化器：Adam和AdamW.mp4
  • 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.mp4
  • 75丨深度迁移学习模型的微调：TensorFlowBERT代码简析.mp4
  • 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.mp4
  • 73丨深度迁移学习模型：ALBERT和ELECTRA.mp4
  • 72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.mp4
  • 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.mp4
  • 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？.mp4
  • 68丨高级模型融合技巧：Metades是什么？.mp4
  • 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？.mp4
  • 66丨图网络简介：如何在图结构的基础上建立神经网络？.mp4
  • 65丨图嵌入：如何将图关系纳入模型？.mp4
  • 64丨时序建模：如何用神经网络解决时间序列的预测问题？.mp4
  • 63丨xDeepFM的代码解析.mp4
  • 62丨xDeepFM：如何用神经网络处理高维的特征？.mp4
  • 61丨Transformer代码实现剖析.mp4
  • 60丨Transformer：如何通过Transformer榨取重要变量？.mp4
  • 59丨神经网络的训练：新的PyTorch训练框架.mp4
  • 58丨神经网络的训练：学习率和Warm-up.mp4
  • 57丨神经网络的训练：初始化.mp4
  • 56丨神经网络的构建：Normalization.mp4
  • 55丨神经网络的构建：ActivationFunction.mp4
  • 54丨神经网络的构建：Memory.mp4
  • 53丨神经网络的构建：GatingMechanism和Attention.mp4
  • 52丨神经网络的构建：NetworkinNetwork.mp4
  • 51丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用.mp4
  • 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.mp4
  • 49丨集成树模型：CatBoost和NGBoost简介.mp4
  • 48丨集成树模型：LightGBM简介.mp4
  • 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.mp4
  • 45丨变量选择方法.mp4
  • 44丨降维方法：Variational Auto Encoder.mp4
  • 43丨降维方法：Denoising Auto Encoders.mp4
  • 42丨降维方法：PCA、NMF 和 tSNE.mp4
  • 41丨自动特征构建方法：Symbolic learning和AutoCross简介.mp4
  • 40丨半自动特征构建方法：缺失变量和异常值的处理.mp4
  • 39丨半自动特征构建方法：连续变量的转换.mp4
  • 38丨半自动构建方法：Entity Embedding的实现.mp4
  • 37丨半自动特征构建方法：Entity Embedding.mp4
  • 36丨半自动特征构建方法：连续变量的离散化.mp4
  • 35丨半自动特征构建方法：Categorical Encoder.mp4
  • 34丨半自动特征构建方法：Target Mean Encoding.mp4
  • 33丨Matplotlib 简介：如何进行简单的可视化分析？.mp4
  • 32丨Pandas 简介：如何使用Pandas对数据进行处理？.mp4
  • 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？.mp4
  • 30丨经典的数据挖掘方法：数据驱动型开发早期的努力.mp4
  • 29丨文本分类实践的评价：如何提升进一步的分类效果？.mp4
  • 28丨文本分类实践：如何进行简单的文本分类？.mp4
  • 27丨PyTorch简介：如何构造神经网络？.mp4
  • 26丨PyTorch简介：如何构造Dataset和DataLoader？.mp4
  • 25丨PyTorch简介：Tensor和相关运算.mp4
  • 24丨环境部署：如何构建简单的深度学习环境？.mp4
  • 23丨CNN：卷积神经网络是什么？.mp4
  • 22丨RNN简介：RNN和LSTM.mp4
  • 21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4
  • 20丨Embedding简介.mp4
  • 19丨神经网络基础：神经网络的基础构成.mp4
  • 18丨神经网络基础：训练神经网络.mp4
  • 17丨神经网络基础：神经网络还是复合函数.mp4
  • 16丨统计学基础：随机性是如何改变数据拟合的本质的？.mp4
  • 15丨AI项目部署：微服务简介.mp4
  • 14丨AI项目部署：框架选择.mp4
  • 13丨AI项目部署：基本原则.mp4
  • 12丨深度学习与硬件：TPU.mp4
  • 11丨深度学习与硬件：GPU.mp4
  • 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.mp4
  • 08丨NLP的学习方法：如何在AI爆炸时代快速上手学习？.mp4
  • 07丨NLP应用：文本校对系统.mp4
  • 06丨NLP应用：智能问答系统.mp4
  • 05丨NLP领域简介：NLP基本任务及研究方向.mp4
  • 04丨AI项目流程：从实验到落地.mp4
  • 03丨AI概览：宣传片外的人工智能.mp4
  • 02丨内容综述.mp4
  • 01丨课程介绍.mp4

【网盘链接】：