极客时间-NLP 实战高手课

星***

【极客时间-100046401】NLP 实战高手课
　 51-99
　 01-50
　 160丨结束语.mp4
　 111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4
　 149丨Docker部署实践.mp4
　 143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
　 141丨增强学习中的探索问题.mp4
　 150丨Kubernetes基本概念.mp4
　 125丨遗传算法和增强学习的结合.mp4
　 146丨文本校对案例学习.mp4
　 113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4
　 142丨Model-basedReinforcementLearning.mp4
　 140丨ImitationLearning和Self-imitationLearning.mp4
　 130丨COMAAgent之间的交流.mp4
　 101丨ASDL和AST.mp4
　 155丨Kubernetes健康检查.mp4
　 159丨Istio实例和Circuit Breaker.mp4
　 153丨Kubernetes服务发现.mp4
　 158丨Istio简介：Istio包含哪些功能？.mp4
　 151丨Kubernetes部署实践.mp4
　 145丨Quora问题等价性案例学习：深度学习模型.mp4
　 156丨Kubernetes灰度上线.mp4
　 152丨Kubernetes自动扩容.mp4
　 100丨WikiSQL任务简介.mp4
　 147丨微服务和Kubernetes简介.mp4
　 109丨Q-learning：如何进行Q-learning算法的推导？.mp4
　 134丨文本推荐系统和增强学习.mp4
　 104丨Lambda-DCS概述.mp4
　 133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4
　 157丨Kubernetes Stateful Sets.mp4
　 137丨PPO算法.mp4
　 132丨知识蒸馏：如何加速神经网络推理.mp4
　 115丨DirectPolictyGradient：基本设定及Gumbel-trick的使用116丨DirectPolictyGradient：轨迹生成方法.mp4
　 118丨AutoML网络架构举例.mp4
　 110丨Rainbow：如何改进Q-learning算法？.mp4
　 117丨AutoML及NeuralArchitectureSearch简介.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
　 114丨MCTS简介：如何将“推理”引入到强化学习框架中.mp4
　 131丨多模态表示学习简介.mp4
　 128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4
　 112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4
　 103丨LambdaCaculus概述.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
　 119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4
　 102丨Tranx简介.mp4
　 124丨Learning to optimize：是否可以让机器学到一个新的优化器.mp4
　 129丨IMPALA：多Agent的Actor-Critic算法.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
　 121丨层次搜索法：如何在模块之间进行搜索？.mp4
　 123丨超参数搜索：如何寻找算法的超参数.mp4
　 148丨Docker简介.mp4
　 122丨LeNAS：如何搜索搜索space.mp4
　 154丨Kubernetes Ingress.mp4
　 120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4
　 144丨Quora问题等价性案例学习：预处理和人工特征.mp4
　 138丨Reward设计的一般原则.mp4
　 108丨最短路问题和DijkstraAlgorithm.mp4
　 139丨解决SparseReward的一些方法.mp4
　 105丨InductiveLogicProgramming：基本设定.mp4
　　 04丨AI项目流程：从实验到落地.mp4
　　 26丨PyTorch简介：如何构造Dataset和DataLoader？.mp4
　　 17丨神经网络基础：神经网络还是复合函数.mp4
　　 11丨深度学习与硬件：GPU.mp4
　　 03丨AI概览：宣传片外的人工智能.mp4
　　 33丨Matplotlib 简介：如何进行简单的可视化分析？.mp4
　　 41丨自动特征构建方法：Symbolic learning和AutoCross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
　　 27丨PyTorch简介：如何构造神经网络？.mp4
　　 02丨内容综述.mp4
　　 48丨集成树模型：LightGBM简介.mp4
　　 14丨AI项目部署：框架选择.mp4
　　 01丨课程介绍.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
　　 15丨AI项目部署：微服务简介.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
　　 44丨降维方法：Variational Auto Encoder.mp4
　　 13丨AI项目部署：基本原则.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
　　 12丨深度学习与硬件：TPU.mp4
　　 39丨半自动特征构建方法：连续变量的转换.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
　　 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
　　 05丨NLP领域简介：NLP基本任务及研究方向.mp4
　　 08丨NLP的学习方法：如何在AI爆炸时代快速上手学习？.mp4
　　 21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4
　　 42丨降维方法：PCA、NMF 和 tSNE.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
　　 43丨降维方法：Denoising Auto Encoders.mp4
　　 23丨CNN：卷积神经网络是什么？.mp4
　　 19丨神经网络基础：神经网络的基础构成.mp4
　　 45丨变量选择方法.mp4
　　 37丨半自动特征构建方法：Entity Embedding.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
　　 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
　　 22丨RNN简介：RNN和LSTM.mp4
　　 24丨环境部署：如何构建简单的深度学习环境？.mp4
　　 40丨半自动特征构建方法：缺失变量和异常值的处理.mp4
　　 38丨半自动构建方法：Entity Embedding的实现.mp4
　　 25丨PyTorch简介：Tensor和相关运算.mp4
　　 32丨Pandas 简介：如何使用Pandas对数据进行处理？.mp4
　　 18丨神经网络基础：训练神经网络.mp4
　　 36丨半自动特征构建方法：连续变量的离散化.mp4
　　 49丨集成树模型：CatBoost和NGBoost简介.mp4
　　 20丨Embedding简介.mp4
　　 57丨神经网络的训练：初始化.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
　　 66丨图网络简介：如何在图结构的基础上建立神经网络？.mp4
　　 55丨神经网络的构建：ActivationFunction.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
　　 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
　　 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
　　 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
　　 56丨神经网络的构建：Normalization.mp4
　　 73丨深度迁移学习模型：ALBERT和ELECTRA.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
　　 53丨神经网络的构建：GatingMechanism和Attention.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
　　 95丨Stanza使用.mp4
　　 91丨Few-shotLearning：是否有更好的利用不同任务的方法？.mp4
　　 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
　　 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
　　 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
　　 85丨长文本分类：截取、关键词拼接和预测平均.mp4
　　 96丨ShiftReduce算法.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
　　 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
　　 94丨依存分析和UniversalDepdencyRelattions.mp4
　　 97丨基于神经网络的依存分析算法.mp4
　　 88丨训练预语言模型.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
　　 54丨神经网络的构建：Memory.mp4
　　 81丨UDA：一种系统的数据扩充框架.mp4
　　 62丨xDeepFM：如何用神经网络处理高维的特征？.mp4
　　 68丨高级模型融合技巧：Metades是什么？.mp4
　　 58丨神经网络的训练：学习率和Warm-up.mp4
　　 63丨xDeepFM的代码解析.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
　　 78丨优化器：Lookahead，Radam和Lamb.mp4
　　 77丨优化器：Adam和AdamW.mp4
　　 52丨神经网络的构建：NetworkinNetwork.mp4
　　 72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.mp4
　　 82丨LabelSmoothing和LogitSqueezing.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
　　 65丨图嵌入：如何将图关系纳入模型？.mp4
　　 51丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用.mp4
"我用夸克网盘分享了「【极客时间-100046401】NLP 实战高手课」，点击链接即可保存。打开「夸克APP」，无需下载在线播放视频，畅享原画5倍速，支持电视投屏。

下载地址:

游客，如果您要查看本帖隐藏内容请回复