NLP实战高手课
01-课程介绍.ts 69.11M
02-内容综述.ts 129.73M
03-AI概览：宣传片外的人工智能.mp4 328.91M
04-AI项目流程：从实验到落地.mp4 229.66M
05-NLP领域简介：NLP基本任务及研究方向.mp4 183.69M
06-NLP应用：智能问答系统.mp4 188.29M
07-NLP应用：文本校对系统.mp4 91.93M
08-NLP的学习方法：如何在AI爆炸时代快速上手学习？.mp4 129.59M
09-深度学习框架简介：如何选择合适的深度学习框架？.mp4 302.66M
10-深度学习与硬件：CPU.mp4 71.25M
100-WikiSQL任务简介.mp4 47.26M
101-ASDL和AST.mp4 48.25M
102-Tranx简介.mp4 66.93M
103-LambdaCaculus概述.mp4 34.87M
104-Lambda-DCS概述.mp4 92.94M
105-InductiveLogicProgramming：基本设定.mp4 65.67M
106-InductiveLogicProgramming：一个可微的实现.mp4 57.96M
107-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 30.79M
108-最短路问题和DijkstraAlgorithm.mp4 74.90M
109-Q-learning：如何进行Q-learning算法的推导？.mp4 241.87M
11-深度学习与硬件：GPU.mp4 133.06M
110-Rainbow：如何改进Q-learning算法？.mp4 61.26M
111-PolicyGradient：如何进行PolicyGradient的基本推导？.mp4 65.06M
112-A2C和A3C：如何提升基本的PolicyGradient算法.mp4 91.82M
113-Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4 52.98M
114-MCTS简介：如何将“推理”引入到强化学习框架中.mp4 65.05M
115-DirectPolictyGradient：基本设定及Gumbel-trick的使用.mp4 108.83M
116-DirectPolictyGradient：轨迹生成方法.mp4 92.43M
117-AutoML及NeuralArchitectureSearch简介.mp4 53.87M
118-AutoML网络架构举例.mp4 71.76M
119-RENAS：如何使用遗传算法和增强学习探索网络架构.mp4 85.59M
12-深度学习与硬件：TPU.mp4 89.53M
120-DifferentiableSearch：如何将NAS变为可微的问题.mp4 71.62M
121-层次搜索法：如何在模块之间进行搜索？.mp4 36.80M
122-LeNAS：如何搜索搜索space.mp4 39.60M
123-超参数搜索：如何寻找算法的超参数.mp4 57.75M
124-Learningtooptimize：是否可以让机器学到一个新的优化器.mp4 50.24M
125-遗传算法和增强学习的结合.mp4 41.23M
126-使用增强学习改进组合优化的算法.mp4 97.35M
127-多代理增强学习概述：什么是多代理增强学习？.mp4 54.43M
128-AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4 64.90M
129-IMPALA：多Agent的Actor-Critic算法.mp4 61.10M
13-AI项目部署：基本原则.mp4 61.80M
130-COMA-Agent之间的交流.mp4 36.22M
131-多模态表示学习简介.mp4 44.48M
132-知识蒸馏：如何加速神经网络推理.mp4 36.60M
133-DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4 17.83M
134-文本推荐系统和增强学习.mp4 72.06M
135-RL训练方法集锦：简介.mp4 51.83M
136-RL训练方法-RL实验的注意事项.mp4 40.12M
137-PPO算法.mp4 38.92M
138-Reward设计的一般原则.mp4 34.90M
139-解决SparseReward的一些方法.mp4 67.90M
14-AI项目部署：框架选择.mp4 73.90M
140-ImitationLearning和Self-imitationLearning.mp4 65.40M
141-增强学习中的探索问题.mp4 58.02M
142-Model-basedReinforcementLearning.mp4 40.49M
143-TransferReinforcementLearning和Few-shotReinforcementLearning.mp4 58.84M
144-Quora问题等价性案例学习：预处理和人工特征.mp4 84.70M
145-Quora问题等价性案例学习：深度学习模型.mp4 54.04M
146-文本校对案例学习.mp4 74.85M
147-微服务和Kubernetes简介.mp4 38.35M
148-Docker简介.mp4 31.87M
149-Docker部署实践.mp4 45.90M
15-AI项目部署：微服务简介.mp4 89.11M
150-Kubernetes基本概念.mp4 40.37M
151-Kubernetes部署实践.mp4 52.51M
152-Kubernetes自动扩容.mp4 35.13M
153-Kubernetes服务发现.mp4 21.09M
154-KubernetesIngress.mp4 30.92M
155-Kubernetes健康检查.mp4 28.65M
156-Kubernetes灰度上线.mp4 26.81M
157-KubernetesStatefulSets.mp4 31.04M
158-Istio简介：Istio包含哪些功能？.mp4 25.63M
159-Istio实例和CircuitBreaker.mp4 48.31M
16-统计学基础：随机性是如何改变数据拟合的本质的？.mp4 142.22M
160-结束语.mp4 25.83M
17-神经网络基础：神经网络还是复合函数.mp4 106.35M
18-神经网络基础：训练神经网络.mp4 123.13M
19-神经网络基础：神经网络的基础构成.mp4 207.81M
20-Embedding简介：为什么Embedding更适合编码文本特征？.mp4 70.36M
21-RNN简介：马尔可夫过程和隐马尔可夫过程.mp4 73.99M
22-RNN简介：RNN和LSTM.mp4 131.70M
23-CNN：卷积神经网络是什么？.mp4 87.56M
24-环境部署：如何构建简单的深度学习环境？.mp4 161.87M
25-PyTorch简介：Tensor和相关运算.mp4 137.23M
26-PyTorch简介：如何构造Dataset和DataLoader？.mp4 62.50M
27-PyTorch简介：如何构造神经网络？.mp4 107.77M
28-文本分类实践：如何进行简单的文本分类？.mp4 107.44M
29-文本分类实践的评价：如何提升进一步的分类效果？.mp4 183.42M
30-经典的数据挖掘方法：数据驱动型开发早期的努力.mp4 105.18M
31-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 88.12M
32-Pandas简介：如何使用Pandas对数据进行处理？.mp4 108.21M
33-Matplotlib简介：如何进行简单的可视化分析？.mp4 57.52M
34-半自动特征构建方法：TargetMeanEncoding.mp4 83.08M
35-半自动特征构建方法：CategoricalEncoder.mp4 99.43M
36-半自动特征构建方法：连续变量的离散化.mp4 121.20M
37-半自动特征构建方法：EntityEmbedding.mp4 199.91M
38-半自动构建方法：EntityEmbedding的实现.mp4 141.33M
39-半自动特征构建方法：连续变量的转换.mp4 213.60M
40-半自动特征构建方法：缺失变量和异常值的处理.mp4 74.65M
41-自动特征构建方法：Symboliclearning和AutoCross简介.mp4 149.58M
42-降维方法：PCA、NMF和tSNE.mp4 182.84M
43-降维方法：DenoisingAutoEncoders.mp4 46.15M
44-降维方法：VariationalAutoEncoder.mp4 122.41M
45-变量选择方法.mp4 64.05M
46-集成树模型：如何提升决策树的效果.mp4 51.71M
47-集成树模型：GBDT和XgBoost的数学表达.mp4 172.49M
48-集成树模型：LightGBM简介.mp4 54.61M
49-集成树模型：CatBoost和NGBoost简介.mp4 32.64M
50-神经网络建模：如何让神经网络实现你的数据挖掘需求.mp4 51.53M
51-神经网络的构建：ResidualConnection和DenseConnection.mp4 87.01M
52-神经网络的构建：NetworkinNetwork.mp4 24.27M
53-神经网络的构建：GatingMechanism和Attention.mp4 68.54M
54-神经网络的构建：Memory.mp4 134.44M
55-神经网络的构建：ActivationFunction.mp4 75.08M
56-神经网络的构建：Normalization.mp4 78.19M
57-神经网络的训练：初始化.mp4 74.43M
58-神经网络的训练：学习率和Warm-up.mp4 124.27M
59-神经网络的训练：新的PyTorch训练框架.mp4 178.49M
60-Transformer：如何通过Transformer榨取重要变量？.mp4 136.93M
61-Transformer代码实现剖析.mp4 145.31M
62-xDeepFM：如何用神经网络处理高维的特征？.mp4 68.70M
63-xDeepFM的代码解析.mp4 74.25M
64-时序建模：如何用神经网络解决时间序列的预测问题？.mp4 137.93M
65-图嵌入：如何将图关系纳入模型？.mp4 136.04M
66-图网络简介：如何在图结构的基础上建立神经网络？.mp4 174.83M
67-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 81.59M
68-高级模型融合技巧：Metades是什么？.mp4 68.44M
69-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 123.27M
70-重新审视WordEmbedding：NegativeSampling和ContextualEmbedding.mp4 66.81M
71-深度迁移学习模型：从ELMo到BERT.mp4 119.27M
72-深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.mp4 128.21M
73-深度迁移学习模型：ALBERT和ELECTRA.mp4 40.61M
74-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 107.78M
75-深度迁移学习模型的微调：TensorFlowBERT代码简析.mp4 152.23M
76-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 68.89M
77-优化器：Adam和AdamW.mp4 116.76M
78-优化器：Lookahead，Radam和Lamb.mp4 33.39M
79-多重loss的方式：如何使用多重loss来提高模型准确率？.mp4 52.86M
80-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 44.11M
81-UDA：一种系统的数据扩充框架.mp4 54.48M
82-LabelSmoothing和LogitSqueezing.mp4 35.55M
83-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 36.02M
84-上层模型拼接：如何在语言模型基础上拼接更多的模型？.mp4 66.26M
85-长文本分类：截取、关键词拼接和预测平均.mp4 68.97M
86-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 66.09M
87-其他Embedding的训练：还有哪些Embedding方法？.mp4 41.46M
88-训练预语言模型.mp4 47.97M
89-多任务训练：如何利用多任务训练来提升效果？.mp4 87.75M
90-DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4 61.90M
91-Few-shotLearning：是否有更好的利用不同任务的方法？.mp4 66.43M
92-半监督学习：如何让没有标注的数据也派上用场？.mp4 26.97M
93-依存分析和SemanticParsing概述.mp4 19.88M
94-依存分析和UniversalDepdencyRelattions.mp4 70.95M
95-如何在Stanza中实现DependencyParsing.mp4 54.92M
96-ShiftReduce算法.mp4 62.45M
97-基于神经网络的依存分析算法.mp4 99.37M
98-树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4 26.42M
99-SemanticParsing基础：SemanticParsing的任务是什么？.mp4 64.61M