极客时间-NLP 实战高手课 - 猎人搜索 轻松搜寻全网资源

• file:156丨Kubernetes灰度上线.mp4
• file:157丨Kubernetes Stateful Sets.mp4
• file:144丨Quora问题等价性案例学习：预处理和人工特征.mp4
• file:136丨RL训练方法RL实验的注意事项.mp4
• file:109丨Q-learning：如何进行Q-learning算法的推导？.mp4
• file:123丨超参数搜索：如何寻找算法的超参数.mp4
• file:142丨Model-basedReinforcementLearning.mp4
• file:127丨多代理增强学习概述：什么是多代理增强学习？.mp4
• file:146丨文本校对案例学习.mp4
• file:122丨LeNAS：如何搜索搜索space.mp4
• file:137丨PPO算法.mp4
• file:102丨Tranx简介.mp4
• file:101丨ASDL和AST.mp4
• file:130丨COMAAgent之间的交流.mp4
• file:119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4
• file:132丨知识蒸馏：如何加速神经网络推理.mp4
• file:115丨DirectPolictyGradient：基本设定及Gumbel-trick的使用116丨DirectPolictyGradient：轨迹生成方法.mp4
• file:103丨LambdaCaculus概述.mp4
• file:121丨层次搜索法：如何在模块之间进行搜索？.mp4
• file:117丨AutoML及NeuralArchitectureSearch简介.mp4
• file:159丨Istio实例和Circuit Breaker.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:96丨ShiftReduce算法.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:98丨树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4
• file:88丨训练预语言模型.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: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:95丨Stanza使用.mp4
• file:54丨神经网络的构建：Memory.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:99丨SemanticParsing基础：SemanticParsing的任务是什么？.mp4
• file:91丨Few-shotLearning：是否有更好的利用不同任务的方法？.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:94丨依存分析和UniversalDepdencyRelattions.mp4
• file:93丨依存分析和SemanticParsing概述.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:97丨基于神经网络的依存分析算法.mp4
• file:75丨深度迁移学习模型的微调：TensorFlowBERT代码简析.mp4
• file:58丨神经网络的训练：学习率和Warm-up.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:63丨xDeepFM的代码解析.mp4
• file:85丨长文本分类：截取、关键词拼接和预测平均.mp4
• file: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
• file:87丨其他Embedding的训练：还有哪些Embedding方法？.mp4
• file:82丨LabelSmoothing和LogitSqueezing.mp4
• file:90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4
• file: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
• file:81丨UDA：一种系统的数据扩充框架.mp4
• file:77丨优化器：Adam和AdamW.mp4
• file:24丨环境部署：如何构建简单的深度学习环境？.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:17丨神经网络基础：神经网络还是复合函数.mp4
• file:44丨降维方法：Variational Auto Encoder.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:11丨深度学习与硬件：GPU.mp4
• file:01丨课程介绍.mp4
• file:49丨集成树模型：CatBoost和NGBoost简介.mp4
• file:06丨NLP应用：智能问答系统.mp4
• file:25丨PyTorch简介：Tensor和相关运算.mp4
• file:38丨半自动构建方法：Entity Embedding的实现.mp4
• file:05丨NLP领域简介：NLP基本任务及研究方向.mp4
• file:26丨PyTorch简介：如何构造Dataset和DataLoader？.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: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
• file:15丨AI项目部署：微服务简介.mp4
• file:20丨Embedding简介.mp4
• file:29丨文本分类实践的评价：如何提升进一步的分类效果？.mp4
• file:21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4
• file:40丨半自动特征构建方法：缺失变量和异常值的处理.mp4
• file:04丨AI项目流程：从实验到落地.mp4
• file: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
• folder:极客时间-NLP 实战高手课
• folder:51-99