极客时间-NLP 实战高手课 - 猎人搜索 轻松搜寻全网资源

• file:144丨Quora问题等价性案例学习：预处理和人工特征.mp4
• file:155丨Kubernetes健康检查.mp4
• file:117丨AutoML及NeuralArchitectureSearch简介.mp4
• file:121丨层次搜索法：如何在模块之间进行搜索？.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:113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4
• file:131丨多模态表示学习简介.mp4
• file:132丨知识蒸馏：如何加速神经网络推理.mp4
• file:122丨LeNAS：如何搜索搜索space.mp4
• file:100丨WikiSQL任务简介.mp4
• file:111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4
• file:159丨Istio实例和Circuit Breaker.mp4
• file:143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
• file:109丨Q-learning：如何进行Q-learning算法的推导？.mp4
• file:124丨Learning to optimize：是否可以让机器学到一个新的优化器.mp4
• file:103丨LambdaCaculus概述.mp4
• file:112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4
• file:136丨RL训练方法RL实验的注意事项.mp4
• file:123丨超参数搜索：如何寻找算法的超参数.mp4
• file:141丨增强学习中的探索问题.mp4
• file:139丨解决SparseReward的一些方法.mp4
• file:128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4
• file:101丨ASDL和AST.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:15丨AI项目部署：微服务简介.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: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:01丨课程介绍.mp4
• file:11丨深度学习与硬件：GPU.mp4
• file:05丨NLP领域简介：NLP基本任务及研究方向.mp4
• file:18丨神经网络基础：训练神经网络.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: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:26丨PyTorch简介：如何构造Dataset和DataLoader？.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
• file:20丨Embedding简介.mp4
• file:38丨半自动构建方法：Entity Embedding的实现.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:21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4
• file:43丨降维方法：Denoising Auto Encoders.mp4
• file:04丨AI项目流程：从实验到落地.mp4
• file:48丨集成树模型：LightGBM简介.mp4
• file:24丨环境部署：如何构建简单的深度学习环境？.mp4
• file:34丨半自动特征构建方法：Target Mean Encoding.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:03丨AI概览：宣传片外的人工智能.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:56丨神经网络的构建：Normalization.mp4
• file:70丨重新审视Word Embedding：Negative Sampling和Contextual Embedding71丨深度迁移学习模型：从ELMo到BERT.mp4
• file:63丨xDeepFM的代码解析.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:65丨图嵌入：如何将图关系纳入模型？.mp4
• file:66丨图网络简介：如何在图结构的基础上建立神经网络？.mp4
• file:78丨优化器：Lookahead，Radam和Lamb.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:58丨神经网络的训练：学习率和Warm-up.mp4
• file:72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.mp4
• file:75丨深度迁移学习模型的微调：TensorFlowBERT代码简析.mp4
• file:51丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用.mp4
• file:53丨神经网络的构建：GatingMechanism和Attention.mp4
• file:76丨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.mp4
• file:81丨UDA：一种系统的数据扩充框架.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:60丨Transformer：如何通过Transformer榨取重要变量？.mp4
• file:77丨优化器：Adam和AdamW.mp4
• file:61丨Transformer代码实现剖析.mp4
• file:68丨高级模型融合技巧：Metades是什么？.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: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
• folder:极客时间-NLP 实战高手课
• folder:01-50