JK时间：NLP实战高手课（60GB）

yyzhi

下载地址：

游客，如果您要查看本帖隐藏内容请回复

【课程目录】

    01丨课程介绍.mp4
    02丨内容综述.mp4
    03丨AI概览：宣传片外的人工智能.mp4
    04丨AI项目流程：从实验到落地.mp4
    05丨NLP领域简介：NLP基本任务及研究方向.mp4
    06丨NLP应用：智能问答系统.mp4
    07丨NLP应用：文本校对系统.mp4
    08丨NLP的学习方法：如何在AI爆炸时代快速上手学习？.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
    100丨WikiSQL任务简介.mp4
    101丨ASDL和AST.mp4
    102丨Tranx简介.mp4
    103丨LambdaCaculus概述.mp4
    104丨Lambda-DCS概述.mp4
    105丨InductiveLogicProgramming：基本设定.mp4
    106丨InductiveLogicProgramming：一个可微的实现.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
    108丨最短路问题和DijkstraAlgorithm.mp4
    109丨Q-learning：如何进行Q-learning算法的推导？.mp4
    110丨Rainbow：如何改进Q-learning算法？.mp4
    111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4
    112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4
    113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4
    114丨MCTS简介：如何将“推理”引入到强化学习框架中.mp4
    115丨DirectPolictyGradient：基本设定及Gumbel-trick的使用116丨DirectPolictyGradient：轨迹生成方法.mp4
    117丨AutoML及NeuralArchitectureSearch简介.mp4
    118丨AutoML网络架构举例.mp4
    119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4
    11丨深度学习与硬件：GPU.mp4
    120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4
    121丨层次搜索法：如何在模块之间进行搜索？.mp4
    122丨LeNAS：如何搜索搜索space.mp4
    123丨超参数搜索：如何寻找算法的超参数.mp4
    124丨Learning to optimize：是否可以让机器学到一个新的优化器.mp4
    125丨遗传算法和增强学习的结合.mp4
    126丨使用增强学习改进组合优化的算法.mp4
    127丨多代理增强学习概述：什么是多代理增强学习？.mp4
    128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4
    129丨IMPALA：多Agent的Actor-Critic算法.mp4
    12丨深度学习与硬件：TPU.mp4
    130丨COMAAgent之间的交流.mp4
    131丨多模态表示学习简介.mp4
    132丨知识蒸馏：如何加速神经网络推理.mp4
    133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4
    134丨文本推荐系统和增强学习.mp4
    135丨RL训练方法集锦：简介.mp4
    136丨RL训练方法RL实验的注意事项.mp4
    137丨PPO算法.mp4
    138丨Reward设计的一般原则.mp4
    139丨解决SparseReward的一些方法.mp4
    13丨AI项目部署：基本原则.mp4
    140丨ImitationLearning和Self-imitationLearning.mp4
    141丨增强学习中的探索问题.mp4
    142丨Model-basedReinforcementLearning.mp4
    143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
    144丨Quora问题等价性案例学习：预处理和人工特征.mp4
    145丨Quora问题等价性案例学习：深度学习模型.mp4
    146丨文本校对案例学习.mp4
    147丨微服务和Kubernetes简介.mp4
    148丨Docker简介.mp4
    149丨Docker部署实践.mp4
    14丨AI项目部署：框架选择.mp4
    150丨Kubernetes基本概念.mp4
    151丨Kubernetes部署实践.mp4
    152丨Kubernetes自动扩容.mp4
    153丨Kubernetes服务发现.mp4
    154丨Kubernetes Ingress.mp4
    155丨Kubernetes健康检查.mp4
    156丨Kubernetes灰度上线.mp4
    157丨Kubernetes Stateful Sets.mp4
    158丨Istio简介：Istio包含哪些功能？.mp4
    159丨Istio实例和Circuit Breaker.mp4
    15丨AI项目部署：微服务简介.mp4
    160丨结束语.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
    17丨神经网络基础：神经网络还是复合函数.mp4
    18丨神经网络基础：训练神经网络.mp4
    19丨神经网络基础：神经网络的基础构成.mp4
    20丨Embedding简介.mp4
    21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4
    22丨RNN简介：RNN和LSTM.mp4
    23丨CNN：卷积神经网络是什么？.mp4
    24丨环境部署：如何构建简单的深度学习环境？.mp4
    25丨PyTorch简介：Tensor和相关运算.mp4
    26丨PyTorch简介：如何构造Dataset和DataLoader？.mp4
    27丨PyTorch简介：如何构造神经网络？.mp4
    28丨文本分类实践：如何进行简单的文本分类？.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
    30丨经典的数据挖掘方法：数据驱动型开发早期的努力.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
    32丨Pandas 简介：如何使用Pandas对数据进行处理？.mp4
    33丨Matplotlib 简介：如何进行简单的可视化分析？.mp4
    34丨半自动特征构建方法：Target Mean Encoding.mp4
    35丨半自动特征构建方法：Categorical Encoder.mp4
    36丨半自动特征构建方法：连续变量的离散化.mp4
    37丨半自动特征构建方法：Entity Embedding.mp4
    38丨半自动构建方法：Entity Embedding的实现.mp4
    39丨半自动特征构建方法：连续变量的转换.mp4
    40丨半自动特征构建方法：缺失变量和异常值的处理.mp4
    41丨自动特征构建方法：Symbolic learning和AutoCross简介.mp4
    42丨降维方法：PCA、NMF 和 tSNE.mp4
    43丨降维方法：Denoising Auto Encoders.mp4
    44丨降维方法：Variational Auto Encoder.mp4
    45丨变量选择方法.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
    48丨集成树模型：LightGBM简介.mp4
    49丨集成树模型：CatBoost和NGBoost简介.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
    51丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用.mp4
    52丨神经网络的构建：NetworkinNetwork.mp4
    53丨神经网络的构建：GatingMechanism和Attention.mp4
    54丨神经网络的构建：Memory.mp4
    55丨神经网络的构建：ActivationFunction.mp4
    56丨神经网络的构建：Normalization.mp4
    57丨神经网络的训练：初始化.mp4
    58丨神经网络的训练：学习率和Warm-up.mp4
    59丨神经网络的训练：新的PyTorch训练框架.mp4
    60丨Transformer：如何通过Transformer榨取重要变量？.mp4
    61丨Transformer代码实现剖析.mp4
    62丨xDeepFM：如何用神经网络处理高维的特征？.mp4
    63丨xDeepFM的代码解析.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
    65丨图嵌入：如何将图关系纳入模型？.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
    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
    68丨高级模型融合技巧：Metades是什么？.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
    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
    72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.mp4
    73丨深度迁移学习模型：ALBERT和ELECTRA.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
    75丨深度迁移学习模型的微调：TensorFlowBERT代码简析.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
    77丨优化器：Adam和AdamW.mp4
    78丨优化器：Lookahead，Radam和Lamb.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
    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
    81丨UDA：一种系统的数据扩充框架.mp4
    82丨LabelSmoothing和LogitSqueezing.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
    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
    85丨长文本分类：截取、关键词拼接和预测平均.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
    87丨其他Embedding的训练：还有哪些Embedding方法？.mp4
    88丨训练预语言模型.mp4
    89丨多任务训练：如何利用多任务训练来提升效果？.mp4
    90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4
    91丨Few-shotLearning：是否有更好的利用不同任务的方法？.mp4
    92丨半监督学习：如何让没有标注的数据也派上用场？.mp4
    93丨依存分析和SemanticParsing概述.mp4
    94丨依存分析和UniversalDepdencyRelattions.mp4
    95丨Stanza使用.mp4
    96丨ShiftReduce算法.mp4
    97丨基于神经网络的依存分析算法.mp4
    98丨树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4
    99丨SemanticParsing基础：SemanticParsing的任务是什么？.mp4

侵权联系和免责声明

1.本站资源所有言论纯属用户个人意见，与本论坛立场无关。

2.本站所有资源收集于互联网，由用户分享，本站不享有任何版权，如有侵权请联系本站删除。

3.本站部分内容转载自其它网站，但并不代表本站赞同其观点和对其真实性负责。

4.如本帖侵犯到任何版权问题，请立即告知本站，本站将及时删除并致以最深的歉意。

侵权联系邮箱：2647756422@qq.com

本文地址: https://www.itstudy365e.com/thread-666-1-1.html