神经语言程序学NLP高手实战课-含神经网络基础、PyTorch等_59.63GB
46158文件名称: 神经语言程序学NLP高手实战课-含神经网络基础、PyTorch等ruk_共:59.63GB
文件总数量: 156条
压缩文件数量: 0条
压缩文件比: 0%
疑似加密文件: 0条(需要授权播放的文件)
文件创建时间:2023-04-18 10:38:04
目录:【01-50】
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
35丨半自动特征构建方法:CategoricalEncoder.mp4
12丨深度学习与硬件:TPU.mp4
25丨PyTorch简介:Tensor和相关运算.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
15丨AI项目部署:微服务简介.mp4
37丨半自动特征构建方法:EntityEmbedding.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
21丨RNN简介:Ma尔可夫过程和隐Ma尔可夫过程.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
33丨Matplotlib简介:如何进行简单的可视化分析?.mp4
36丨半自动特征构建方法:连续变量的离散化.mp4
07丨NLP应用:文本校对系统.mp4
27丨PyTorch简介:如何构造神经网络?.mp4
19丨神经网络基础:神经网络的基础构成.mp4
06丨NLP应用:智能问答系统.mp4
18丨神经网络基础:训练神经网络.mp4
49丨集成树模型:CatBoost和NGBoost简介.mp4
14丨AI项目部署:框架选择.mp4
24丨环境部署:如何构建简单的深度学习环境?.mp4
04丨AI项目流程:从实验到落地.mp4
13丨AI项目部署:基本原则.mp4
03丨AI概览:宣传片外的人工智能.mp4
38丨半自动构建方法:EntityEmbedding的实现.mp4
45丨变量选择方法.mp4
41丨自动特征构建方法:Symboliclearning和AutoCross简介.mp4
48丨集成树模型:LightGBM简介.mp4
42丨降维方法:PCA、NMF和tSNE.mp4
22丨RNN简介:RNN和LSTM.mp4
20丨Embedding简介.mp4
02丨内容综述.mp4
26丨PyTorch简介:如何构造Dataset和DataLoader?.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
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
01丨课程介绍.mp4
32丨Pandas简介:如何使用Pandas对数据进行处理?.mp4
40丨半自动特征构建方法:缺失变量和异常值的处理.mp4
16丨统计学基础:随机X是如何改变数据拟合的本质的?.mp4
34丨半自动特征构建方法:TargetMeanEncoding.mp4
43丨降维方法:DenoisingAutoEncoders.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
44丨降维方法:VariationalAutoEncoder.mp4
39丨半自动特征构建方法:连续变量的转换.mp4
23丨CNN:卷积神经网络是什么?.mp4
目录:【51-99】
54丨神经网络的构建:Memory.mp4
75丨深度迁移学习模型的微调:TensorFlowBERT代码简析.mp4
85丨长文本分类:截取、关键词拼接和预测平均.mp4
82丨LabelSmoothing和LogitSqueezing.mp4
62丨xDeepFM:如何用神经网络处理高维的特征?.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
91丨Few-shotLearning:是否有更好的利用不同任务的方法?.mp4
53丨神经网络的构建:GatingMechanism和Attention.mp4
87丨其他Embedding的训练:还有哪些Embedding方法?.mp4
57丨神经网络的训练:初始化.mp4
60丨Transformer:如何通过Transformer榨取重要变量?.mp4
81丨UDA:一种系统的数据扩充框架.mp4
61丨Transformer代码实现剖析.mp4
58丨神经网络的训练:学习率和Warm-up.mp4
93丨依存分析和SemanticParsing概述.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
59丨神经网络的训练:新的PyTorch训练框架.mp4
96丨ShiftReduce算法.mp4
52丨神经网络的构建:NetworkinNetwork.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
99丨SemanticParsing基础:SemanticParsing的任务是什么?.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
90丨DomainAdaptation:如何利用其它有标注语料来提升效果?.mp4
56丨神经网络的构建:Normalization.mp4
78丨优化器:Lookahead,Radam和Lamb.mp4
95丨Stanza使用.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
77丨优化器:Adam和AdamW.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
70丨重新审视WordEmbedding:NegativeSampling和ContextualEmbedding71丨深度迁移学习模型:从ELMo到BERT.mp4
65丨图嵌入:如何将图关系纳入模型?.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
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
51丨健康检查:与Liveness、Readiness、Startup探测集成实现高可用.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X?.mp4
55丨神经网络的构建:ActivationFunction.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
89丨多任务训练:如何利用多任务训练来提升效果?.mp4
63丨xDeepFM的代码解析.mp4
68丨高级模型融合技巧:Metades是什么?.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
94丨依存分析和UniversalDepdencyRelattions.mp4
92丨半监督学习:如何让没有标注的数据也派上用场?.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
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
88丨训练预语言模型.mp4
目录:【神经语言程序学NLP高手实战课-含神经网络基础、PyTorch等】
137丨PPO算法.mp4
107丨增强学习的基本设定:增强学习与传统的预测X建模有什么区别?.mp4
151丨Kubernetes部署实践.mp4
146丨文本校对案例学习.mp4
157丨KubernetesStatefulSets.mp4
145丨Quora问题等价X案例学习:深度学习模型.mp4
104丨Lambda-DCS概述.mp4
100丨WikiSQL任务简介.mp4
101丨ASDL和AST.mp4
154丨KubernetesIngress.mp4
135丨RL训练方法集锦:简介.mp4
129丨IMPALA:多Agent的Actor-Critic算法.mp4
133丨DeepGBM:如何用神经网络捕捉集成树模型的知识.mp4
144丨Quora问题等价X案例学习:预处理和人工特征.mp4
159丨Istio实例和CircuitBreaker.mp4
130丨COMAAgent之间的交流.mp4
105丨InductiveLogicProgramming:基本设定.mp4
155丨Kubernetes健康检查.mp4
106丨InductiveLogicProgramming:一个可微的实现.mp4
148丨Docker简介.mp4
125丨遗传算法和增强学习的结合.mp4
124丨Learningtooptimize:是否可以让机器学到一个新的优化器.mp4
139丨解决SparseReward的一些方法.mp4
127丨多代理=代{过滤}理增强学习概述:什么是多代理=代{过滤}理增强学习?.mp4
119丨RENAS:如何使用遗传算法和增强学习探索网络架构.mp4
150丨Kubernetes基本概念.mp4
108丨最短路问题和DijkstraAlgorithm.mp4
117丨AutoML及NeuralArchitectureSearch简介.mp4
112丨A2C和A3C:如何提升基本的PolicyGradient算法.mp4
121丨层次搜索法:如何在模块之间进行搜索?.mp4
128丨AlphaStar介绍:AlphaStar中采取了哪些技术?.mp4
149丨Docker部署实践.mp4
115丨DirectPolictyGradient:基本设定及Gumbel-trick的使用116丨DirectPolictyGradient:轨迹生成方法.mp4
111丨PolicyGradient:如何进行PolicyGradient的基本推导?.mp4
122丨LeNAS:如何搜索搜索space.mp4
160丨结束语.mp4
134丨文本推荐系统和增强学习.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
110丨Rainbow:如何改进Q-learning算法?.mp4
123丨超参数搜索:如何寻找算法的超参数.mp4
158丨Istio简介:Istio包含哪些功能?.mp4
140丨ImitationLearning和Self-imitationLearning.mp4
109丨Q-learning:如何进行Q-learning算法的推导?.mp4
132丨知识蒸馏:如何加速神经网络推理.mp4
153丨Kubernetes服务发现.mp4
102丨Tranx简介.mp4
142丨Model-basedReinforcementLearning.mp4
103丨LambdaCaculus概述.mp4
118丨AutoML网络架构举例.mp4
141丨增强学习中的探索问题.mp4
156丨Kubernetes灰度上线.mp4
143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
120丨DifferentiableSearch:如何将NAS变为可微的问题.mp4
138丨Reward设计的一般原则.mp4
113丨Gumbel-trick:如何将离散的优化改变为连续的优化问题?.mp4
147丨微服务和Kubernetes简介.mp4
126丨使用增强学习改进组合优化的算法.mp4
152丨Kubernetes自动扩容.mp4
136丨RL训练方法RL实验的注意事项.mp4
页:
[1]