极客时间 – NLP 实战高手课

课程信息

全方位提升你的 NLP 实战技能！

课程目录

├── 01-50
│   ├── 01丨课程介绍.mp4 203.89M
│   ├── 02丨内容综述.mp4 449.68M
│   ├── 03丨AI概览：宣传片外的人工智能.mp4 831.02M
│   ├── 04丨AI项目流程：从实验到落地.mp4 980.65M
│   ├── 05丨NLP领域简介：NLP基本任务及研究方向.mp4 597.71M
│   ├── 06丨NLP应用：智能问答系统.mp4 397.25M
│   ├── 07丨NLP应用：文本校对系统.mp4 258.20M
│   ├── 08丨NLP的学习方法：如何在AI爆炸时代快速上手学习？.mp4 455.99M
│   ├── 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 1457.58M
│   ├── 11丨深度学习与硬件：GPU.mp4 401.70M
│   ├── 12丨深度学习与硬件：TPU.mp4 359.36M
│   ├── 13丨AI项目部署：基本原则.mp4 147.03M
│   ├── 14丨AI项目部署：框架选择.mp4 211.81M
│   ├── 15丨AI项目部署：微服务简介.mp4 265.17M
│   ├── 16丨统计学基础：随机性是如何改变数据拟合的本质的？.mp4 437.88M
│   ├── 17丨神经网络基础：神经网络还是复合函数.mp4 333.07M
│   ├── 18丨神经网络基础：训练神经网络.mp4 338.65M
│   ├── 19丨神经网络基础：神经网络的基础构成.mp4 676.95M
│   ├── 20丨Embedding简介.mp4 258.05M
│   ├── 21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4 270.16M
│   ├── 22丨RNN简介：RNN和LSTM.mp4 626.94M
│   ├── 23丨CNN：卷积神经网络是什么？.mp4 248.95M
│   ├── 24丨环境部署：如何构建简单的深度学习环境？.mp4 871.99M
│   ├── 25丨PyTorch简介：Tensor和相关运算.mp4 406.72M
│   ├── 26丨PyTorch简介：如何构造Dataset和DataLoader？.mp4 330.48M
│   ├── 27丨PyTorch简介：如何构造神经网络？.mp4 571.70M
│   ├── 28丨文本分类实践：如何进行简单的文本分类？.mp4 548.07M
│   ├── 29丨文本分类实践的评价：如何提升进一步的分类效果？.mp4 858.82M
│   ├── 30丨经典的数据挖掘方法：数据驱动型开发早期的努力.mp4 355.29M
│   ├── 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 292.29M
│   ├── 32丨Pandas 简介：如何使用Pandas对数据进行处理？.mp4 559.10M
│   ├── 33丨Matplotlib 简介：如何进行简单的可视化分析？.mp4 268.35M
│   ├── 34丨半自动特征构建方法：Target Mean Encoding.mp4 298.85M
│   ├── 35丨半自动特征构建方法：Categorical Encoder.mp4 303.73M
│   ├── 36丨半自动特征构建方法：连续变量的离散化.mp4 333.40M
│   ├── 37丨半自动特征构建方法：Entity Embedding.mp4 1005.85M
│   ├── 38丨半自动构建方法：Entity Embedding的实现.mp4 766.24M
│   ├── 39丨半自动特征构建方法：连续变量的转换.mp4 637.32M
│   ├── 40丨半自动特征构建方法：缺失变量和异常值的处理.mp4 211.77M
│   ├── 41丨自动特征构建方法：Symbolic learning和AutoCross简介.mp4 460.30M
│   ├── 42丨降维方法：PCA、NMF 和 tSNE.mp4 644.72M
│   ├── 43丨降维方法：Denoising Auto Encoders.mp4 163.43M
│   ├── 44丨降维方法：Variational Auto Encoder.mp4 455.04M
│   ├── 45丨变量选择方法.mp4 192.63M
│   ├── 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 840.59M
│   ├── 48丨集成树模型：LightGBM简介.mp4 244.94M
│   ├── 49丨集成树模型：CatBoost和NGBoost简介.mp4 115.01M
│   └── 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 465.76M
├── 51-99
│   ├── 51丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用.mp4 259.78M
│   ├── 52丨神经网络的构建：NetworkinNetwork.mp4 79.03M
│   ├── 53丨神经网络的构建：GatingMechanism和Attention.mp4 231.99M
│   ├── 54丨神经网络的构建：Memory.mp4 766.21M
│   ├── 55丨神经网络的构建：ActivationFunction.mp4 300.35M
│   ├── 56丨神经网络的构建：Normalization.mp4 260.01M
│   ├── 57丨神经网络的训练：初始化.mp4 283.87M
│   ├── 58丨神经网络的训练：学习率和Warm-up.mp4 560.48M
│   ├── 59丨神经网络的训练：新的PyTorch训练框架.mp4 921.57M
│   ├── 60丨Transformer：如何通过Transformer榨取重要变量？.mp4 738.38M
│   ├── 61丨Transformer代码实现剖析.mp4 1035.59M
│   ├── 62丨xDeepFM：如何用神经网络处理高维的特征？.mp4 522.80M
│   ├── 63丨xDeepFM的代码解析.mp4 354.43M
│   ├── 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 785.60M
│   ├── 65丨图嵌入：如何将图关系纳入模型？.mp4 548.22M
│   ├── 66丨图网络简介：如何在图结构的基础上建立神经网络？.mp4 699.96M
│   ├── 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 296.79M
│   ├── 68丨高级模型融合技巧：Metades是什么？.mp4 544.12M
│   ├── 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 432.08M
│   ├── 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 748.94M
│   ├── 72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.mp4 588.16M
│   ├── 73丨深度迁移学习模型：ALBERT和ELECTRA.mp4 171.30M
│   ├── 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 737.71M
│   ├── 75丨深度迁移学习模型的微调：TensorFlowBERT代码简析.mp4 933.53M
│   ├── 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 426.67M
│   ├── 77丨优化器：Adam和AdamW.mp4 387.39M
│   ├── 78丨优化器：Lookahead，Radam和Lamb.mp4 139.67M
│   ├── 79丨多重loss的方式：如何使用多重loss来提高模型准确率？.mp4 233.12M
│   ├── 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 176.48M
│   ├── 81丨UDA：一种系统的数据扩充框架.mp4 376.98M
│   ├── 82丨LabelSmoothing和LogitSqueezing.mp4 111.88M
│   ├── 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 146.64M
│   ├── 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 287.87M
│   ├── 85丨长文本分类：截取、关键词拼接和预测平均.mp4 299.03M
│   ├── 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 313.04M
│   ├── 87丨其他Embedding的训练：还有哪些Embedding方法？.mp4 134.90M
│   ├── 88丨训练预语言模型.mp4 221.56M
│   ├── 89丨多任务训练：如何利用多任务训练来提升效果？.mp4 402.13M
│   ├── 90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4 193.87M
│   ├── 91丨Few-shotLearning：是否有更好的利用不同任务的方法？.mp4 359.41M
│   ├── 92丨半监督学习：如何让没有标注的数据也派上用场？.mp4 120.79M
│   ├── 93丨依存分析和SemanticParsing概述.mp4 87.43M
│   ├── 94丨依存分析和UniversalDepdencyRelattions.mp4 426.96M
│   ├── 95丨Stanza使用.mp4 379.80M
│   ├── 96丨ShiftReduce算法.mp4 216.86M
│   ├── 97丨基于神经网络的依存分析算法.mp4 652.13M
│   ├── 98丨树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4 107.83M
│   └── 99丨SemanticParsing基础：SemanticParsing的任务是什么？.mp4 268.18M
├── 100丨WikiSQL任务简介.mp4 291.34M
├── 101丨ASDL和AST.mp4 173.27M
├── 102丨Tranx简介.mp4 282.18M
├── 103丨LambdaCaculus概述.mp4 139.70M
├── 104丨Lambda-DCS概述.mp4 332.32M
├── 105丨InductiveLogicProgramming：基本设定.mp4 433.00M
├── 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 202.98M
├── 108丨最短路问题和DijkstraAlgorithm.mp4 245.67M
├── 109丨Q-learning：如何进行Q-learning算法的推导？.mp4 1118.69M
├── 110丨Rainbow：如何改进Q-learning算法？.mp4 511.28M
├── 111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4 290.66M
├── 112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4 427.47M
├── 113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4 230.92M
├── 114丨MCTS简介：如何将“推理”引入到强化学习框架中.mp4 350.78M
├── 115丨DirectPolictyGradient：基本设定及Gumbel-trick的使用116丨DirectPolictyGradient：轨迹生成方法.mp4 959.78M
├── 117丨AutoML及NeuralArchitectureSearch简介.mp4 265.88M
├── 118丨AutoML网络架构举例.mp4 554.74M
├── 119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4 425.47M
├── 120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4 347.24M
├── 121丨层次搜索法：如何在模块之间进行搜索？.mp4 179.09M
├── 122丨LeNAS：如何搜索搜索space.mp4 190.28M
├── 123丨超参数搜索：如何寻找算法的超参数.mp4 293.32M
├── 124丨Learning to optimize：是否可以让机器学到一个新的优化器.mp4 257.21M
├── 125丨遗传算法和增强学习的结合.mp4 202.38M
├── 126丨使用增强学习改进组合优化的算法.mp4 446.44M
├── 127丨多代理增强学习概述：什么是多代理增强学习？.mp4 240.57M
├── 128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4 326.62M
├── 129丨IMPALA：多Agent的Actor-Critic算法.mp4 276.65M
├── 130丨COMAAgent之间的交流.mp4 165.55M
├── 131丨多模态表示学习简介.mp4 234.98M
├── 132丨知识蒸馏：如何加速神经网络推理.mp4 180.35M
├── 133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4 91.29M
├── 134丨文本推荐系统和增强学习.mp4 464.30M
├── 135丨RL训练方法集锦：简介.mp4 279.48M
├── 136丨RL训练方法RL实验的注意事项.mp4 235.73M
├── 137丨PPO算法.mp4 302.71M
├── 138丨Reward设计的一般原则.mp4 184.90M
├── 139丨解决SparseReward的一些方法.mp4 660.97M
├── 140丨ImitationLearning和Self-imitationLearning.mp4 429.06M
├── 141丨增强学习中的探索问题.mp4 453.05M
├── 142丨Model-basedReinforcementLearning.mp4 340.44M
├── 143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4 508.33M
├── 144丨Quora问题等价性案例学习：预处理和人工特征.mp4 446.85M
├── 145丨Quora问题等价性案例学习：深度学习模型.mp4 365.70M
├── 146丨文本校对案例学习.mp4 409.67M
├── 147丨微服务和Kubernetes简介.mp4 223.20M
├── 148丨Docker简介.mp4 178.70M
├── 149丨Docker部署实践.mp4 342.93M
├── 150丨Kubernetes基本概念.mp4 214.84M
├── 151丨Kubernetes部署实践.mp4 462.29M
├── 152丨Kubernetes自动扩容.mp4 278.23M
├── 153丨Kubernetes服务发现.mp4 136.96M
├── 154丨Kubernetes Ingress.mp4 254.00M
├── 155丨Kubernetes健康检查.mp4 235.37M
├── 156丨Kubernetes灰度上线.mp4 232.75M
├── 157丨Kubernetes Stateful Sets.mp4 174.90M
├── 158丨Istio简介：Istio包含哪些功能？.mp4 122.10M
├── 159丨Istio实例和Circuit Breaker.mp4 379.05M
└── 160丨结束语.mp4 127.65M