【极客时间-100046401】NLP 实战高手课 - 猎人搜索 轻松搜寻全网资源

• file:140丨ImitationLearning和Self-imitationLearning.mp4
• file:142丨Model-basedReinforcementLearning.mp4
• file:155丨Kubernetes健康检查.mp4
• file:132丨知识蒸馏：如何加速神经网络推理.mp4
• file:143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
• file:158丨Istio简介：Istio包含哪些功能？.mp4
• file:101丨ASDL和AST.mp4
• file:146丨文本校对案例学习.mp4
• file:130丨COMAAgent之间的交流.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:149丨Docker部署实践.mp4
• file:145丨Quora问题等价性案例学习：深度学习模型.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:125丨遗传算法和增强学习的结合.mp4
• file:109丨Q-learning：如何进行Q-learning算法的推导？.mp4
• file:137丨PPO算法.mp4
• file:100丨WikiSQL任务简介.mp4
• file:117丨AutoML及NeuralArchitectureSearch简介.mp4
• file:133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4
• file:141丨增强学习中的探索问题.mp4
• file:157丨Kubernetes Stateful Sets.mp4
• file:95丨Stanza使用.mp4
• file:96丨ShiftReduce算法.mp4
• file:91丨Few-shotLearning：是否有更好的利用不同任务的方法？.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:85丨长文本分类：截取、关键词拼接和预测平均.mp4
• file:78丨优化器：Lookahead，Radam和Lamb.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:51丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用.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:81丨UDA：一种系统的数据扩充框架.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:77丨优化器：Adam和AdamW.mp4
• file:99丨SemanticParsing基础：SemanticParsing的任务是什么？.mp4
• file:98丨树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4
• file:93丨依存分析和SemanticParsing概述.mp4
• file:58丨神经网络的训练：学习率和Warm-up.mp4
• file:62丨xDeepFM：如何用神经网络处理高维的特征？.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:72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.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:94丨依存分析和UniversalDepdencyRelattions.mp4
• file:97丨基于神经网络的依存分析算法.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:52丨神经网络的构建：NetworkinNetwork.mp4
• file:68丨高级模型融合技巧：Metades是什么？.mp4
• file:90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4
• file:63丨xDeepFM的代码解析.mp4
• file:38丨半自动构建方法：Entity Embedding的实现.mp4
• file:20丨Embedding简介.mp4
• file:23丨CNN：卷积神经网络是什么？.mp4
• file:34丨半自动特征构建方法：Target Mean Encoding.mp4
• file:25丨PyTorch简介：Tensor和相关运算.mp4
• file:17丨神经网络基础：神经网络还是复合函数.mp4
• file:04丨AI项目流程：从实验到落地.mp4
• file:05丨NLP领域简介：NLP基本任务及研究方向.mp4
• file:45丨变量选择方法.mp4
• file:21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4
• file: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
• 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:24丨环境部署：如何构建简单的深度学习环境？.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:39丨半自动特征构建方法：连续变量的转换.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:13丨AI项目部署：基本原则.mp4
• file:01丨课程介绍.mp4
• file:42丨降维方法：PCA、NMF 和 tSNE.mp4
• file:12丨深度学习与硬件：TPU.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:49丨集成树模型：CatBoost和NGBoost简介.mp4
• file:32丨Pandas 简介：如何使用Pandas对数据进行处理？.mp4
• file:22丨RNN简介：RNN和LSTM.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
• folder:【极客时间-100046401】NLP 实战高手课
• folder:51-99