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

100046401-NLP实战高手课 - 网盘下载风筝自习室-课程资源-网盘资源风筝自习室
100046401-NLP实战高手课 – 网盘下载 - 全方位提升你的NLP实战技能
此内容为付费阅读,请付费后查看
500积分
付费阅读

image

网站资源均收集于公开网络,仅供学习和交流。版权归版权人所有,所标价格为资源收集整理费用,如喜欢作品请支持正版。

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
© 版权声明
THE END
加入本站 VIP,免费下载本站所有内容
点赞13 分享
评论 抢沙发

请登录后发表评论

    暂无评论内容