100046401-NLP实战高手课 – 网盘下载 - 全方位提升你的NLP实战技能

网盘链接：

第一章：AI及NLP基础

• 01 | 课程介绍
• 02 | 内容综述
• 03 | AI概览：宣传片外的人工智能
• 04 | AI项目流程：从实验到落地
• 05 | NLP领域简介：NLP基本任务及研究方向
• 06 | NLP应用：智能问答系统
• 07 | NLP应用：文本校对系统
• 08 | NLP的学习方法：如何在AI爆炸时代快速上手学习？
• 09 | 深度学习框架简介：如何选择合适的深度学习框架？
• 10 | 深度学习与硬件：CPU
• 11 | 深度学习与硬件：GPU
• 12 | 深度学习与硬件：TPU
• 13 | AI项目部署：基本原则
• 14 | AI项目部署：框架选择
• 15 | AI项目部署：微服务简介

第二章：深度学习简介和NLP试水

• 16 | 统计学基础：随机性是如何改变数据拟合的本质的？
• 17 | 神经网络基础：神经网络还是复合函数
• 18 | 神经网络基础：训练神经网络
• 19 | 神经网络基础：神经网络的基础构成
• 20 | Embedding简介：为什么Embedding更适合编码文本特征？
• 21 | RNN简介：马尔可夫过程和隐马尔可夫过程
• 22 | RNN简介：RNN和LSTM
• 23 | CNN：卷积神经网络是什么？
• 24 | 环境部署：如何构建简单的深度学习环境？
• 25 | PyTorch简介：Tensor和相关运算
• 26 | PyTorch简介：如何构造Dataset和DataLoader？
• 27 | PyTorch简介：如何构造神经网络？
• 28 | 文本分类实践：如何进行简单的文本分类？
• 29 | 文本分类实践的评价：如何提升进一步的分类效果？

第三章：表格化数据挖掘

• 30 | 经典的数据挖掘方法：数据驱动型开发早期的努力
• 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？
• 32 | Pandas简介：如何使用Pandas对数据进行处理？
• 33 | Matplotlib简介：如何进行简单的可视化分析？
• 34 | 半自动特征构建方法：Target Mean Encoding
• 35 | 半自动特征构建方法：Categorical Encoder
• 36 | 半自动特征构建方法：连续变量的离散化
• 37 | 半自动特征构建方法：Entity Embedding
• 38 | 半自动构建方法：Entity Embedding的实现
• 39 | 半自动特征构建方法：连续变量的转换
• 40 | 半自动特征构建方法：缺失变量和异常值的处理
• 41 | 自动特征构建方法：Symbolic learning和AutoCross简介
• 42 | 降维方法：PCA、NMF 和 tSNE
• 43 | 降维方法：Denoising Auto Encoders
• 44 | 降维方法：Variational Auto Encoder
• 45 | 变量选择方法
• 46 | 集成树模型：如何提升决策树的效果
• 47 | 集成树模型：GBDT和XgBoost的数学表达
• 48 | 集成树模型：LightGBM简介
• 49 | 集成树模型：CatBoost和NGBoost简介
• 50 | 神经网络建模：如何让神经网络实现你的数据挖掘需求
• 51 | 神经网络的构建：Residual Connection和Dense Connection
• 52 | 神经网络的构建：Network in Network
• 53 | 神经网络的构建：Gating Mechanism和Attention
• 54 | 神经网络的构建：Memory
• 55 | 神经网络的构建：Activation Function
• 56 | 神经网络的构建：Normalization
• 57 | 神经网络的训练：初始化
• 58 | 神经网络的训练：学习率和Warm-up
• 59 | 神经网络的训练：新的PyTorch训练框架
• 60 | Transformer：如何通过Transformer榨取重要变量？
• 61 | Transformer代码实现剖析
• 62 | xDeepFM：如何用神经网络处理高维的特征？
• 63 | xDeepFM的代码解析
• 64 | 时序建模：如何用神经网络解决时间序列的预测问题？
• 65 | 图嵌入：如何将图关系纳入模型？
• 66 | 图网络简介：如何在图结构的基础上建立神经网络？
• 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？
• 68 | 高级模型融合技巧：Metades是什么？
• 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？

第四章：自然语言分类任务

• 70 | 重新审视Word Embedding：Negative Sampling和Contextual Embedding
• 71 | 深度迁移学习模型：从ELMo到BERT
• 72 | 深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5
• 73 | 深度迁移学习模型：ALBERT和ELECTRA
• 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
• 75 | 深度迁移学习模型的微调：TensorFlow BERT代码简析
• 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
• 77 | 优化器：Adam和AdamW
• 78 | 优化器：Lookahead，Radam和Lamb
• 79 | 多重loss的方式：如何使用多重loss来提高模型准确率？
• 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？
• 81 | UDA：一种系统的数据扩充框架
• 82 | Label Smoothing和Logit Squeezing
• 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？
• 84 | 上层模型拼接：如何在语言模型基础上拼接更多的模型？
• 85 | 长文本分类：截取、关键词拼接和预测平均
• 86 | Virtual Adverserial Training：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？
• 87 | 其他Embedding的训练：还有哪些Embedding方法？
• 88 | 训练预语言模型
• 89 | 多任务训练：如何利用多任务训练来提升效果？
• 90 | Domain Adaptation：如何利用其它有标注语料来提升效果？
• 91 | Few-shot Learning：是否有更好的利用不同任务的方法？
• 92 | 半监督学习：如何让没有标注的数据也派上用场？
• 93 | 依存分析和Semantic Parsing概述
• 94 | 依存分析和Universal Depdency Relattions
• 95 | 如何在Stanza中实现Dependency Parsing
• 96 | Shift Reduce算法
• 97 | 基于神经网络的依存分析算法
• 98 | 树神经网络：如何采用Tree LSTM和其它拓展方法？
• 99 | Semantic Parsing基础：Semantic Parsing的任务是什么？
• 100 | WikiSQL任务简介
• 101 | ASDL和AST
• 102 | Tranx简介
• 103 | Lambda Caculus概述
• 104 | Lambda-DCS概述
• 105 | Inductive Logic Programming：基本设定
• 106 | Inductive Logic Programming：一个可微的实现

第五章：增强学习

• 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？
• 108 | 最短路问题和Dijkstra Algorithm
• 109 | Q-learning：如何进行Q-learning算法的推导？
• 110 | Rainbow：如何改进Q-learning算法？
• 111 | Policy Gradient：如何进行Policy Gradient的基本推导？
• 112 | A2C和A3C：如何提升基本的Policy Gradient算法
• 113 | Gumbel-trick：如何将离散的优化改变为连续的优化问题？
• 114 | MCTS简介：如何将“推理”引入到强化学习框架中
• 115 | Direct Policty Gradient：基本设定及Gumbel-trick的使用
• 116 | Direct Policty Gradient：轨迹生成方法
• 117 | AutoML及Neural Architecture Search简介
• 118 | AutoML网络架构举例
• 119 | RENAS：如何使用遗传算法和增强学习探索网络架构
• 120 | Differentiable Search：如何将NAS变为可微的问题
• 121 | 层次搜索法：如何在模块之间进行搜索？
• 122 | LeNAS：如何搜索搜索space
• 123 | 超参数搜索：如何寻找算法的超参数
• 124 | Learning to optimize：是否可以让机器学到一个新的优化器
• 125 | 遗传算法和增强学习的结合
• 126 | 使用增强学习改进组合优化的算法
• 127 | 多代理增强学习概述：什么是多代理增强学习？
• 128 | AlphaStar介绍：AlphaStar中采取了哪些技术？
• 129 | IMPALA：多Agent的Actor-Critic算法
• 130 | COMA:Agent之间的交流
• 131 | 多模态表示学习简介
• 132 | 知识蒸馏：如何加速神经网络推理
• 133 | DeepGBM：如何用神经网络捕捉集成树模型的知识
• 134 | 文本推荐系统和增强学习
• 135 | RL训练方法集锦：简介
• 136 | RL训练方法:RL实验的注意事项
• 137 | PPO算法
• 138 | Reward设计的一般原则
• 139 | 解决Sparse Reward的一些方法
• 140 | Imitation Learning和Self-imitation Learning
• 141 | 增强学习中的探索问题
• 142 | Model-based Reinforcement Learning
• 143 | Transfer Reinforcement Learning和Few-shot Reinforcement Learning

第六章：实际案例研究

• 144 | Quora问题等价性案例学习：预处理和人工特征
• 145 | Quora问题等价性案例学习：深度学习模型
• 146 | 文本校对案例学习

第七章：系统部署

• 147 | 微服务和Kubernetes简介
• 148 | Docker简介
• 149 | Docker部署实践
• 150 | Kubernetes基本概念
• 151 | Kubernetes部署实践
• 152 | Kubernetes自动扩容
• 153 | Kubernetes服务发现
• 154 | Kubernetes Ingress
• 155 | Kubernetes健康检查
• 156 | Kubernetes灰度上线
• 157 | Kubernetes Stateful Sets
• 158 | Istio简介：Istio包含哪些功能？
• 159 | Istio实例和Circuit Breaker
• 160 | 结束语