极客时间-NLP 实战高手课 - 猎人搜索 轻松搜寻全网资源

• file:153丨Kubernetes服务发现.mp4
• file:140丨ImitationLearning和Self-imitationLearning.mp4
• file:130丨COMAAgent之间的交流.mp4
• file:133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4
• file:111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4
• file:104丨Lambda-DCS概述.mp4
• file:100丨WikiSQL任务简介.mp4
• file:143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
• file:137丨PPO算法.mp4
• file:101丨ASDL和AST.mp4
• file:109丨Q-learning：如何进行Q-learning算法的推导？.mp4
• file:113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4
• file:132丨知识蒸馏：如何加速神经网络推理.mp4
• file:125丨遗传算法和增强学习的结合.mp4
• file:134丨文本推荐系统和增强学习.mp4
• file:149丨Docker部署实践.mp4
• file:159丨Istio实例和Circuit Breaker.mp4
• file:158丨Istio简介：Istio包含哪些功能？.mp4
• file:141丨增强学习中的探索问题.mp4
• file:145丨Quora问题等价性案例学习：深度学习模型.mp4
• file:157丨Kubernetes Stateful Sets.mp4
• file:142丨Model-basedReinforcementLearning.mp4
• file:99丨SemanticParsing基础：SemanticParsing的任务是什么？.mp4
• file:92丨半监督学习：如何让没有标注的数据也派上用场？.mp4
• file:88丨训练预语言模型.mp4
• file:87丨其他Embedding的训练：还有哪些Embedding方法？.mp4
• file:93丨依存分析和SemanticParsing概述.mp4
• file:85丨长文本分类：截取、关键词拼接和预测平均.mp4
• file:91丨Few-shotLearning：是否有更好的利用不同任务的方法？.mp4
• file:98丨树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4
• file:97丨基于神经网络的依存分析算法.mp4
• file:95丨Stanza使用.mp4
• file:90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4
• file:94丨依存分析和UniversalDepdencyRelattions.mp4
• file: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
• file:89丨多任务训练：如何利用多任务训练来提升效果？.mp4
• file:96丨ShiftReduce算法.mp4
• file: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
• file:55丨神经网络的构建：ActivationFunction.mp4
• file:77丨优化器：Adam和AdamW.mp4
• file:73丨深度迁移学习模型：ALBERT和ELECTRA.mp4
• file: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
• file:81丨UDA：一种系统的数据扩充框架.mp4
• file:82丨LabelSmoothing和LogitSqueezing.mp4
• file: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
• file:54丨神经网络的构建：Memory.mp4
• file:68丨高级模型融合技巧：Metades是什么？.mp4
• file: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
• file:79丨多重loss的方式：如何使用多重loss来提高模型准确率？.mp4
• file:01丨课程介绍.mp4
• file:14丨AI项目部署：框架选择.mp4
• file:17丨神经网络基础：神经网络还是复合函数.mp4
• file:16丨统计学基础：随机性是如何改变数据拟合的本质的？.mp4
• file: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
• file:06丨NLP应用：智能问答系统.mp4
• file:08丨NLP的学习方法：如何在AI爆炸时代快速上手学习？.mp4
• file:11丨深度学习与硬件：GPU.mp4
• file:03丨AI概览：宣传片外的人工智能.mp4
• file:05丨NLP领域简介：NLP基本任务及研究方向.mp4
• file:34丨半自动特征构建方法：Target Mean Encoding.mp4
• file:30丨经典的数据挖掘方法：数据驱动型开发早期的努力.mp4
• file:22丨RNN简介：RNN和LSTM.mp4
• file:39丨半自动特征构建方法：连续变量的转换.mp4
• file:45丨变量选择方法.mp4
• file:28丨文本分类实践：如何进行简单的文本分类？.mp4
• file:32丨Pandas 简介：如何使用Pandas对数据进行处理？.mp4
• file:27丨PyTorch简介：如何构造神经网络？.mp4
• file:23丨CNN：卷积神经网络是什么？.mp4
• file:41丨自动特征构建方法：Symbolic learning和AutoCross简介.mp4
• file:33丨Matplotlib 简介：如何进行简单的可视化分析？.mp4
• file:42丨降维方法：PCA、NMF 和 tSNE.mp4
• folder:极客时间-NLP 实战高手课
• folder:51-99