极客时间-NLP 实战高手课 - 猎人搜索 轻松搜寻全网资源

• file:117丨AutoML及NeuralArchitectureSearch简介.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:156丨Kubernetes灰度上线.mp4
• file:159丨Istio实例和Circuit Breaker.mp4
• file:112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4
• file:148丨Docker简介.mp4
• file:107丨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？.mp4
• file:126丨使用增强学习改进组合优化的算法.mp4
• file:144丨Quora问题等价性案例学习：预处理和人工特征.mp4
• file:108丨最短路问题和DijkstraAlgorithm.mp4
• file:123丨超参数搜索：如何寻找算法的超参数.mp4
• file:125丨遗传算法和增强学习的结合.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:160丨结束语.mp4
• file:142丨Model-basedReinforcementLearning.mp4
• file:133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4
• file:129丨IMPALA：多Agent的Actor-Critic算法.mp4
• file:110丨Rainbow：如何改进Q-learning算法？.mp4
• file:111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4
• file:141丨增强学习中的探索问题.mp4
• file:132丨知识蒸馏：如何加速神经网络推理.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:119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4
• file:120丨DifferentiableSearch：如何将NAS变为可微的问题.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:26丨PyTorch简介：如何构造Dataset和DataLoader？.mp4
• file:14丨AI项目部署：框架选择.mp4
• file:43丨降维方法：Denoising Auto Encoders.mp4
• file:39丨半自动特征构建方法：连续变量的转换.mp4
• file:23丨CNN：卷积神经网络是什么？.mp4
• file:28丨文本分类实践：如何进行简单的文本分类？.mp4
• file:49丨集成树模型：CatBoost和NGBoost简介.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:18丨神经网络基础：训练神经网络.mp4
• file:38丨半自动构建方法：Entity Embedding的实现.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:11丨深度学习与硬件：GPU.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:21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4
• file:33丨Matplotlib 简介：如何进行简单的可视化分析？.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:34丨半自动特征构建方法：Target Mean Encoding.mp4
• file:45丨变量选择方法.mp4
• file:25丨PyTorch简介：Tensor和相关运算.mp4
• file:01丨课程介绍.mp4
• file:32丨Pandas 简介：如何使用Pandas对数据进行处理？.mp4
• file:42丨降维方法：PCA、NMF 和 tSNE.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:82丨LabelSmoothing和LogitSqueezing.mp4
• file:75丨深度迁移学习模型的微调：TensorFlowBERT代码简析.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:78丨优化器：Lookahead，Radam和Lamb.mp4
• file:85丨长文本分类：截取、关键词拼接和预测平均.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:90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4
• file:61丨Transformer代码实现剖析.mp4
• file:63丨xDeepFM的代码解析.mp4
• file:94丨依存分析和UniversalDepdencyRelattions.mp4
• file:88丨训练预语言模型.mp4
• file:68丨高级模型融合技巧：Metades是什么？.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: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:93丨依存分析和SemanticParsing概述.mp4
• file:96丨ShiftReduce算法.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:73丨深度迁移学习模型：ALBERT和ELECTRA.mp4
• file:87丨其他Embedding的训练：还有哪些Embedding方法？.mp4
• file:91丨Few-shotLearning：是否有更好的利用不同任务的方法？.mp4
• file:51丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用.mp4
• file:77丨优化器：Adam和AdamW.mp4
• file:60丨Transformer：如何通过Transformer榨取重要变量？.mp4
• file:62丨xDeepFM：如何用神经网络处理高维的特征？.mp4
• file:95丨Stanza使用.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
• folder:极客时间-NLP 实战高手课
• folder:01-50