成为VIP
课程介绍
极客时间《NLP实战高手课》全方位提升你的 NLP 实战技能
NLP(全名NaturalLanguageProcessing，也就是自然语言处理)，被称为“人工智能皇冠上的明珠”，在电商、翻译、金融、智能硬件、医疗等行业中已经有了越来越广泛的应用。
许多人认为，NLP已经迎来了属于自己的黄金时期。与此相对应，各企业对NLP工程师的需求不断增加。
但如果想成为NLP领域的大师，简单地调用一些开放源码框架，调整一些参数，显然是不够的。因为NLP本身的复杂性，仅仅停留在对某些技术领域的浅薄理解或照着论文去做，就很难在实际工作中获得理想的结果。
所以，本课程在内容设计上，将突破传统，创造一种既具有理论深度又兼备实践的课程。通过这门课程，您可以对NLP领域的相关技术及解决方案有一个更加系统和深入的理解，最终使您能够独立地开发NLP项目，全面部署NLP项目，并掌握进一步自主学习和解决问题的能力。
课程大纲
| ├──1-99
| | ├──01-课程介绍.mp4 39.51M
| | ├──02-内容综述.mp4 80.69M
| | ├──03-AI概览：宣传片外的人工智能.mp4 203.43M
| | ├──04-AI项目流程：从实验到落地.mp4 164.99M
| | ├──05-NLP领域简介：NLP基本任务及研究方向.mp4 102.28M
| | ├──06-NLP应用：智能问答系统.mp4 82.70M
| | ├──07-NLP应用：文本校对系统.mp4 46.16M
| | ├──08-NLP的学习方法：如何在AI爆炸时代快速上手学习？.mp4 108.43M
| | ├──09-深度学习框架简介：如何选择合适的深度学习框架？.mp4 61.27M
| | ├──10-深度学习与硬件：CPU.mp4 49.84M
| | ├──11-深度学习与硬件：GPU.mp4 89.90M
| | ├──12-深度学习与硬件：TPU.mp4 46.23M
| | ├──13-AI项目部署：基本原则.mp4 35.17M
| | ├──14-AI项目部署：框架选择.mp4 46.87M
| | ├──15-AI项目部署：微服务简介.mp4 57.73M
| | ├──16-统计学基础：随机性是如何改变数据拟合的本质的？.mp4 99.65M
| | ├──17-神经网络基础：神经网络还是复合函数.mp4 75.03M
| | ├──18-神经网络基础：训练神经网络.mp4 74.82M
| | ├──19-神经网络基础：神经网络的基础构成.mp4 134.57M
| | ├──20-Embedding简介.mp4 47.12M
| | ├──21-RNN简介：马尔可夫过程和隐马尔可夫过程.mp4 43.42M
| | ├──22-RNN简介：RNN和LSTM.mp4 46.85M
| | ├──23-CNN：卷积神经网络是什么？.mp4 59.28M
| | ├──24-简单文本分类实践：手把手教你实现简单的文本分类.mp4 73.02M
| | ├──25-PyTorch简介：Tensor和相关运算.mp4 29.54M
| | ├──26-PyTorch简介：如何构造Dataset和Dataloader？.mp4 32.93M
| | ├──27-PyTorch简介：如何构造神经网络？.mp4 42.27M
| | ├──28-文本分类实践：如何进行简单的文本分类？.mp4 51.78M
| | ├──29-文本分类实践的评价：如何提升进一步的分类效果？.mp4 105.15M
| | ├──30-经典的数据挖掘方法：数据驱动型开发早期的努力.mp4 55.95M
| | ├──31-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 36.74M
| | ├──32-Pandas简介：如何使用Pandas对数据进行处理？.mp4 47.90M
| | ├──33-Matplotlib简介：如何进行简单的可视化分析？.mp4 21.35M
| | ├──34-半自动特征构建方法：TargetMeanEncoding.mp4 35.93M
| | ├──35-半自动特征构建方法：CategoricalEncoder.mp4 64.08M
| | ├──36-半自动特征构建方法：连续变量的离散化.mp4 75.40M
| | ├──37-半自动特征构建方法：EntityEmbedding.mp4 153.08M
| | ├──38-半自动构建方法Entity-Embedding的实现.mp4 113.96M
| | ├──39-半自动特征构建方法连续变量的转换.mp4 147.92M
| | ├──40-半自动特征构建方法缺失变量和异常值的处理.mp4 48.22M
| | ├──41-自动特征构建方法Symbolic-learning和AutoCross简介.mp4 84.82M
| | ├──42-降维方法PCA、NMF和tSNE.mp4 118.53M
| | ├──43-降维方法DenoisingAutoEncoders.mp4 29.08M
| | ├──44-降维方法VariationalAutoEncoder.mp4 81.01M
| | ├──45-变量选择方法.mp4 34.06M
| | ├──46-集成树模型如何提升决策树的效果.mp4 22.61M
| | ├──47-集成树模型GBDT和XgBoost的数学表达.mp4 101.95M
| | ├──48-集成树模型LightGBM简介.mp4 28.66M
| | ├──49-集成树模型CatBoost和NGBoost简介.mp4 16.73M
| | ├──50-神经网络建模如何让神经网络实现你的数据挖掘需求.mp4 29.00M
| | ├──51-神经网络的构建ResidualConnection和DenseConnection.mp4 56.37M
| | ├──52-神经网络的构建NetworkinNetwork.mp4 11.64M
| | ├──53-神经网络的构建GatingMechanism和Attention.mp4 45.23M
| | ├──54-神经网络的构建Memory.mp4 76.91M
| | ├──55-神经网络的构建ActivationFunction.mp4 56.55M
| | ├──56-神经网络的构建Normalization.mp4 57.43M
| | ├──57-神经网络的训练初始化.mp4 46.99M
| | ├──58-神经网络的训练学习率和Warm-up.mp4 67.93M
| | ├──59-神经网络的训练新的PyTorch训练框架.mp4 140.19M
| | ├──60-Transformer如何通过Transformer榨取重要变量？.mp4 108.97M
| | ├──61-Transformer代码实现剖析.mp4 87.98M
| | ├──62-xDeepFM如何用神经网络处理高维的特征？.mp4 58.13M
| | ├──63-xDeepFM的代码解析.mp4 59.94M
| | ├──64-时序建模如何用神经网络解决时间序列的预测问题？.mp4 94.32M
| | ├──65-图嵌入如何将图关系纳入模型？.mp4 84.57M
| | ├──66-图网络简介如何在图结构的基础上建立神经网络？.mp4 121.74M
| | ├──67-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 65.80M
| | ├──68-高级模型融合技巧Metades是什么？.mp4 51.76M
| | ├──69-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 92.72M
| | ├──70-重新审视WordEmbeddingNegativeSampling和ContextualEmbedding.mp4 56.78M
| | ├──71-深度迁移学习模型从ELMo到BERT.mp4 95.96M
| | ├──72-深度迁移学习模型RoBERTa、XLNet、ERNIE和T5.mp4 111.54M
| | ├──73-深度迁移学习模型ALBERT和ELECTRA.mp4 29.97M
| | ├──74-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.mp4 66.38M
| | ├──75-深度迁移学习模型的微调TensorFlowBERT代码简析.mp4 93.02M
| | ├──76-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 43.37M
| | ├──77-优化器Adam和AdamW.mp4 84.02M
| | ├──78-优化器Lookahead，Radam和Lamb.mp4 20.71M
| | ├──79-多重loss的方式如何使用多重loss来提高模型准确率？.mp4 43.87M
| | ├──80-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 33.57M
| | ├──81-UDA一种系统的数据扩充框架.mp4 42.24M
| | ├──82-LabelSmoothing和LogitSqueezing.mp4 31.33M
| | ├──83-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 29.62M
| | ├──84-上层模型拼接如何在语言模型基础上拼接更多的模型？.mp4 51.02M
| | ├──85-长文本分类截取、关键词拼接和预测平均.mp4 51.99M
| | ├──86-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 50.61M
| | ├──87-其他Embedding的训练还有哪些Embedding方法？.mp4 29.44M
| | ├──88-训练预语言模型.mp4 30.86M
| | ├──89-多任务训练：如何利用多任务训练来提升效果？.mp4 59.65M
| | ├──90-DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4 40.20M
| | ├──91-Few-shotLearning：是否有更好的利用不同任务的方法？.mp4 40.22M
| | ├──92-半监督学习：如何让没有标注的数据也派上用场？.mp4 13.62M
| | ├──93-依存分析和SemanticParsing概述.mp4 12.73M
| | ├──94-依存分析和UniversalDepdencyRelattions.mp4 68.09M
| | ├──95-Stanza使用.mp4 32.07M
| | ├──96-ShiftReduce算法.mp4 60.75M
| | ├──97-基于神经网络的依存分析算法.mp4 66.83M
| | ├──98-树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4 18.79M
| | └──99-SemanticParsing基础：SemanticParsing的任务是什么？.mp4 38.98M
| ├──100-WikiSQL任务简介.mp4 28.24M
| ├──101-ASDL和AST.mp4 42.92M
| ├──102-Tranx简介.mp4 45.79M
| ├──103-LambdaCaculus概述(1).mp4 32.41M
| ├──104-Lambda-DCS概述.mp4 84.98M
| ├──105-InductiveLogicProgramming：基本设定.mp4 46.10M
| ├──106-InductiveLogicProgramming：一个可微的实现.mp4 47.11M
| ├──107-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 15.79M
| ├──108-最短路问题和DijkstraAlgorithm.mp4 60.67M
| ├──109-Q-learning：如何进行Q-learning算法的推导？(1).mp4 210.42M
| ├──110-Rainbow：如何改进Q-learning算法？(1).mp4 41.20M
| ├──111-PolicyGradient：如何进行PolicyGradient的基本推导？(1).mp4 58.12M
| ├──112-A2C和A3C：如何提升基本的PolicyGradient算法(1).mp4 83.16M
| ├──113-Gumbel-trick：如何将离散的优化改变为连续的优化问题？(1).mp4 47.11M
| ├──114-MCTS简介：如何将“推理”引入到强化学习框架中.mp4 43.81M
| ├──115-DirectPolictyGradient：基本设定及Gumbel-trick的使用.mp4 87.77M
| ├──116-DirectPolictyGradient：轨迹生成方法.mp4 73.48M
| ├──117-AutoML及NeuralArchitectureSearch简介.mp4 33.81M
| ├──118-AutoML网络架构举例.mp4 46.80M
| ├──119-RENAS：如何使用遗传算法和增强学习探索网络架构.mp4 56.72M
| ├──120-DifferentiableSearch：如何将NAS变为可微的问题.mp4 64.92M
| ├──121-层次搜索法：如何在模块之间进行搜索？.mp4 22.18M
| ├──122-LeNAS：如何搜索搜索space.mp4 22.21M
| ├──123-超参数搜索：如何寻找算法的超参数.mp4 33.69M
| ├──124-Learningtooptimize：是否可以让机器学到一个新的优化器.mp4 28.08M
| ├──125-遗传算法和增强学习的结合.mp4 24.97M
| ├──126-使用增强学习改进组合优化的算法.mp4 74.13M
| ├──127-多代理增强学习概述：什么是多代理增强学习？.mp4 36.33M
| ├──128-AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4 38.06M
| ├──129-IMPALA：多Agent的Actor-Critic算法.mp4 47.39M
| ├──130-COMAAgent之间的交流.mp4 24.24M
| ├──131-多模态表示学习简介.mp4 27.63M
| ├──132-知识蒸馏：如何加速神经网络推理.mp4 24.73M
| ├──133-DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4 10.38M
| ├──134-文本推荐系统和增强学习.mp4 45.01M
| ├──135-RL训练方法集锦：简介.mp4 29.04M
| ├──136-RL训练方法RL实验的注意事项.mp4 23.92M
| ├──137-PPO算法.mp4 22.70M
| ├──138-Reward设计的一般原则.mp4 22.93M
| ├──139-解决SparseReward的一些方法.mp4 42.12M
| ├──140-ImitationLearning和Self-imitationLearning.mp4 41.89M
| ├──141-增强学习中的探索问题.mp4 34.96M
| ├──142-Model-basedReinforcementLearning.mp4 22.94M
| ├──143-TransferReinforcementLearning和Few-shotReinforcementLearning.mp4 36.41M
| ├──144-Quora问题等价性案例学习：预处理和人工特征.mp4 50.19M
| ├──145-Quora问题等价性案例学习：深度学习模型.mp4 36.00M
| ├──146-文本校对案例学习.mp4 54.96M
| ├──147-微服务和Kubernetes简介.mp4 22.45M
| ├──148-Docker简介.mp4 18.48M
| ├──149-Docker部署实践.mp4 26.11M
| ├──150-Kubernetes基本概念.mp4 23.10M
| ├──151-Kubernetes部署实践.mp4 27.59M
| ├──152-Kubernetes自动扩容.mp4 19.95M
| ├──153-Kubernetes服务发现.mp4 11.15M
| ├──154-KubernetesIngress.mp4 18.53M
| ├──155-Kubernetes健康检查.mp4 16.15M
| ├──156-Kubernetes灰度上线.mp4 16.64M
| ├──157-KubernetesStatefulSets.mp4 19.88M
| ├──158-Istio简介：Istio包含哪些功能？.mp4 15.61M
| ├──159-Istio实例和Circuit Breaker.mp4 42.48M
| ├──160-结束语.mp4 19.96M
| └──课程资料地址.txt 0.04kb
声明：本站所有资源版权均属于原作者所有，这里所提供资源均只能用于参考学习用，请勿直接商用。若由于商用引起版权纠纷，一切责任均由使用者承担。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理，邮箱：502212423@qq.com。
jamison
