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]