极客时间-NLP 实战高手课

编辑点评

深入浅出NLP实战，涵盖深度学习框架、神经网络构建与优化，适合有一定基础的学习者。

⭐ 编辑推荐

本课程从神经网络基础讲起，深入讲解NLP领域实战技巧，助你成为NLP实战高手。

✨ 课程亮点

课程目录

📁 01-50
18丨神经网络基础：训练神经网络【公重号：CunWorkNotes】.mp4 [338.7 MB]
38丨半自动构建方法：Entity Embedding的实现.mp4 [766.2 MB]
22涓≧NN绠€浠嬶細RNN鍜孡STM.mp4 [626.9 MB]
34丨半自动特征构建方法：Target Mean Encoding【不易整理‖请关注：CunWorkNoteS】.mp4 [298.8 MB]
19丨神经网络基础：神经网络的基础构成.mp4 [677.0 MB]
23丨CNN：卷积神经网络是什么？.mp4 [248.9 MB]
28丨文本分类实践：如何进行简单的文本分类？【更多精选‖公众号：CunWorknotes】 .mp4 [548.1 MB]
08丨NLP的学习方法：如何在AI爆炸时代快速上手学习？.mp4 [456.0 MB]
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 [1.4 GB]
44涓ㄩ檷缁存柟娉曪細Variational Auto Encoder.mp4 [455.0 MB]
01丨课程介绍.mp4 [203.9 MB]
48丨集成树模型：LightGBM简介【整理不易‖记得关注：CunWorKNotes】.mp4 [244.9 MB]
33丨Matplotlib 简介：如何进行简单的可视化分析？【整理不易‖记得关注：CunWorKNotes】.mp4 [268.4 MB]
04丨AI项目流程：从实验到落地.mp4 [980.6 MB]
26丨PyTorch简介：如何构造Dataset和DataLoader？.mp4 [330.5 MB]
17丨神经网络基础：神经网络还是复合函数.mp4 [333.1 MB]
11丨深度学习与硬件：GPU.mp4 [401.7 MB]
03丨AI概览：宣传片外的人工智能.mp4 [831.0 MB]
41丨自动特征构建方法：Symbolic learning和AutoCross简介.mp4 [460.3 MB]
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 [465.8 MB]
27丨PyTorch简介：如何构造神经网络？.mp4 [571.7 MB]
14丨AI项目部署：框架选择.mp4 [211.8 MB]
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 [840.6 MB]
15丨AI项目部署：微服务简介.mp4 [265.2 MB]
07丨NLP应用：文本校对系统.mp4 [258.2 MB]
06丨NLP应用：智能问答系统.mp4 [397.3 MB]
13丨AI项目部署：基本原则.mp4 [147.0 MB]
16丨统计学基础：随机性是如何改变数据拟合的本质的？.mp4 [437.9 MB]
12丨深度学习与硬件：TPU.mp4 [359.4 MB]
39丨半自动特征构建方法：连续变量的转换.mp4 [637.3 MB]
30丨经典的数据挖掘方法：数据驱动型开发早期的努力.mp4 [355.3 MB]
05丨NLP领域简介：NLP基本任务及研究方向.mp4 [597.7 MB]
21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4 [270.2 MB]
42丨降维方法：PCA、NMF 和 tSNE.mp4 [644.7 MB]
29丨文本分类实践的评价：如何提升进一步的分类效果？.mp4 [858.8 MB]
43涓ㄩ檷缁存柟娉曪細Denoising Auto Encoders.mp4 [163.4 MB]
45丨变量选择方法.mp4 [192.6 MB]
37丨半自动特征构建方法：Entity Embedding.mp4 [1005.8 MB]
35丨半自动特征构建方法：Categorical Encoder.mp4 [303.7 MB]
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 [292.3 MB]
24丨环境部署：如何构建简单的深度学习环境？.mp4 [872.0 MB]
40丨半自动特征构建方法：缺失变量和异常值的处理.mp4 [211.8 MB]
25丨PyTorch简介：Tensor和相关运算.mp4 [406.7 MB]
32丨Pandas 简介：如何使用Pandas对数据进行处理？.mp4 [559.1 MB]
36丨半自动特征构建方法：连续变量的离散化.mp4 [333.4 MB]
49丨集成树模型：CatBoost和NGBoost简介.mp4 [115.0 MB]
📁 51-99
77丨优化器：Adam和AdamW【不易整理‖请关注：CunWorkNoteS】.mp4 [387.4 MB]
58丨神经网络的训练：学习率和Warm-up.mp4 [560.5 MB]
68丨高级模型融合技巧：Metades是什么？.mp4 [544.1 MB]
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 [146.6 MB]
97丨基于神经网络的依存分析算法.mp4 [652.1 MB]
90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4 [193.9 MB]
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 [313.0 MB]
60丨Transformer：如何通过Transformer榨取重要变量？.mp4 [738.4 MB]
53丨神经网络的构建：GatingMechanism和Attention.mp4 [232.0 MB]
74丨深度迁移学习模型的微调：如何使用TensorFlow在TPU对模型进行微调【优质资源‖关注：cunWorkNotes 解锁】.mp4 [737.7 MB]
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 [432.1 MB]
57丨神经网络的训练：初始化.mp4 [283.9 MB]
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 [176.5 MB]
66丨图网络简介：如何在图结构的基础上建立神经网络？.mp4 [700.0 MB]
55丨神经网络的构建：ActivationFunction.mp4 [300.3 MB]
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 [785.6 MB]
75丨深度迁移学习模型的微调：TensorFlowBERT代码简析.mp4 [933.5 MB]
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 [426.7 MB]
56丨神经网络的构建：Normalization.mp4 [260.0 MB]
73丨深度迁移学习模型：ALBERT和ELECTRA.mp4 [171.3 MB]
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 [296.8 MB]
59丨神经网络的训练：新的PyTorch训练框架.mp4 [921.6 MB]
61丨Transformer代码实现剖析.mp4 [1.0 GB]
95丨Stanza使用.mp4 [379.8 MB]
91丨Few-shotLearning：是否有更好的利用不同任务的方法？.mp4 [359.4 MB]
99丨SemanticParsing基础：SemanticParsing的任务是什么？.mp4 [268.2 MB]
98丨树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4 [107.8 MB]
87丨其他Embedding的训练：还有哪些Embedding方法？.mp4 [134.9 MB]
92丨半监督学习：如何让没有标注的数据也派上用场？.mp4 [120.8 MB]
93丨依存分析和SemanticParsing概述.mp4 [87.4 MB]
85丨长文本分类：截取、关键词拼接和预测平均.mp4 [299.0 MB]
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 [287.9 MB]
89丨多任务训练：如何利用多任务训练来提升效果？.mp4 [402.1 MB]
94丨依存分析和UniversalDepdencyRelattions.mp4 [427.0 MB]
88丨训练预语言模型.mp4 [221.6 MB]
54丨神经网络的构建：Memory.mp4 [766.2 MB]
81丨UDA：一种系统的数据扩充框架.mp4 [377.0 MB]
62丨xDeepFM：如何用神经网络处理高维的特征？.mp4 [522.8 MB]
63丨xDeepFM的代码解析.mp4 [354.4 MB]
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 [748.9 MB]
78丨优化器：Lookahead，Radam和Lamb.mp4 [139.7 MB]
52丨神经网络的构建：NetworkinNetwork.mp4 [79.0 MB]
72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.mp4 [588.2 MB]
79丨多重loss的方式：如何使用多重loss来提高模型准确率？.mp4 [233.1 MB]
65丨图嵌入：如何将图关系纳入模型？.mp4 [548.2 MB]
51丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用.mp4 [259.8 MB]
148丨Docker简介.mp4 [178.7 MB]
121丨层次搜索法：如何在模块之间进行搜索？【持续更新‖免费提供：CunworknoteS】.mp4 [179.1 MB]
129涓↖MPALA锛氬Agent鐨凙ctor-Critic绠楁硶.mp4 [276.7 MB]
112丨A2C和A3C：如何提升基本的PolicyGradient算法【持续更新‖免费提供：CunworknoteS】.mp4 [427.5 MB]
128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4 [326.6 MB]
131丨多模态表示学习简介【公重号：CunWorkNotes】.mp4 [235.0 MB]
114丨MCTS简介：如何将“推理”引入到强化学习框架中【更多精选‖公众号：CunWorknotes】 .mp4 [350.8 MB]
110丨Rainbow：如何改进Q-learning算法？.mp4 [511.3 MB]
156丨Kubernetes灰度上线【持续更新‖免费提供：CunworknoteS】.mp4 [232.7 MB]
145丨Quora问题等价性案例学习：深度学习模型.mp4 [365.7 MB]
158丨Istio简介：Istio包含哪些功能？.mp4 [122.1 MB]
153丨Kubernetes服务发现【整理不易‖记得关注：CunWorKNotes】.mp4 [137.0 MB]
146丨文本校对案例学习.mp4 [409.7 MB]
125丨遗传算法和增强学习的结合【更多精选‖公众号：CunWorknotes】 .mp4 [202.4 MB]
141丨增强学习中的探索问题.mp4 [453.1 MB]
111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4 [290.7 MB]
160丨结束语【不易整理‖请关注：CunWorkNoteS】.mp4 [127.7 MB]
149丨Docker部署实践.mp4 [342.9 MB]
150涓↘ubernetes鍩烘湰姒傚康.mp4 [214.8 MB]
113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4 [230.9 MB]
130丨COMAAgent之间的交流.mp4 [165.6 MB]
159涓↖stio瀹炰緥鍜孋ircuit Breaker.mp4 [379.0 MB]
151丨Kubernetes部署实践.mp4 [462.3 MB]
147丨微服务和Kubernetes简介.mp4 [223.2 MB]
109丨Q-learning：如何进行Q-learning算法的推导？.mp4 [1.1 GB]
134丨文本推荐系统和增强学习.mp4 [464.3 MB]
133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4 [91.3 MB]
132丨知识蒸馏：如何加速神经网络推理.mp4 [180.4 MB]
115丨DirectPolictyGradient：基本设定及Gumbel-trick的使用116丨DirectPolictyGradient：轨迹生成方法.mp4 [959.8 MB]
118丨AutoML网络架构举例.mp4 [554.7 MB]
127丨多代理增强学习概述：什么是多代理增强学习？.mp4 [240.6 MB]
126丨使用增强学习改进组合优化的算法.mp4 [446.4 MB]
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 [203.0 MB]
119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4 [425.5 MB]
124丨Learning to optimize：是否可以让机器学到一个新的优化器.mp4 [257.2 MB]
135丨RL训练方法集锦：简介.mp4 [279.5 MB]
136丨RL训练方法RL实验的注意事项.mp4 [235.7 MB]
123丨超参数搜索：如何寻找算法的超参数.mp4 [293.3 MB]
122丨LeNAS：如何搜索搜索space.mp4 [190.3 MB]
120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4 [347.2 MB]
144丨Quora问题等价性案例学习：预处理和人工特征.mp4 [446.8 MB]
138丨Reward设计的一般原则.mp4 [184.9 MB]
108丨最短路问题和DijkstraAlgorithm.mp4 [245.7 MB]
139丨解决SparseReward的一些方法.mp4 [661.0 MB]

适合人群

• NLP初学者
• 深度学习爱好者
• 数据科学家

🎯 学习收获

• 掌握NLP实战技能
• 精通深度学习框架
• 提升模型性能

🎉 祝您学习愉快！