极客时间-NLP 实战高手课 - 夸克搜-夸克资源搜索引擎

100丨WikiSQL任务简介.mp4

101丨ASDL和AST.mp4

102丨Tranx简介.mp4

103丨LambdaCaculus概述.mp4

105丨InductiveLogicProgramming：基本设定.mp4

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

108丨最短路问题和DijkstraAlgorithm.mp4

109丨Q-learning：如何进行Q-learning算法的推导？.mp4

111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4

112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4

113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4

114丨MCTS简介：如何将“推理”引入到强化学习框架中.mp4

115丨DirectPolictyGradient：基本设定及Gumbel-trick的使用116丨DirectPolictyGradient：轨迹生成方法.mp4

117丨AutoML及NeuralArchitectureSearch简介.mp4

118丨AutoML网络架构举例.mp4

119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4

120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4

121丨层次搜索法：如何在模块之间进行搜索？.mp4

122丨LeNAS：如何搜索搜索space.mp4

123丨超参数搜索：如何寻找算法的超参数.mp4

124丨Learning to optimize：是否可以让机器学到一个新的优化器.mp4

125丨遗传算法和增强学习的结合.mp4

126丨使用增强学习改进组合优化的算法.mp4

127丨多代理增强学习概述：什么是多代理增强学习？.mp4

128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4

129丨IMPALA：多Agent的Actor-Critic算法.mp4

130丨COMAAgent之间的交流.mp4

131丨多模态表示学习简介.mp4

01丨课程介绍.mp4

03丨AI概览：宣传片外的人工智能.mp4

04丨AI项目流程：从实验到落地.mp4

05丨NLP领域简介：NLP基本任务及研究方向.mp4

06丨NLP应用：智能问答系统.mp4

08丨NLP的学习方法：如何在AI爆炸时代快速上手学习？.mp4

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

11丨深度学习与硬件：GPU.mp4

13丨AI项目部署：基本原则.mp4

16丨统计学基础：随机性是如何改变数据拟合的本质的？.mp4

17丨神经网络基础：神经网络还是复合函数.mp4

20丨Embedding简介.mp4

21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4

22丨RNN简介：RNN和LSTM.mp4

23丨CNN：卷积神经网络是什么？.mp4

24丨环境部署：如何构建简单的深度学习环境？.mp4

25丨PyTorch简介：Tensor和相关运算.mp4

26丨PyTorch简介：如何构造Dataset和DataLoader？.mp4

28丨文本分类实践：如何进行简单的文本分类？.mp4

30丨经典的数据挖掘方法：数据驱动型开发早期的努力.mp4

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

51丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用.mp4

52丨神经网络的构建：NetworkinNetwork.mp4

53丨神经网络的构建：GatingMechanism和Attention.mp4

57丨神经网络的训练：初始化.mp4

59丨神经网络的训练：新的PyTorch训练框架.mp4

60丨Transformer：如何通过Transformer榨取重要变量？.mp4

61丨Transformer代码实现剖析.mp4

62丨xDeepFM：如何用神经网络处理高维的特征？.mp4

63丨xDeepFM的代码解析.mp4

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

65丨图嵌入：如何将图关系纳入模型？.mp4

66丨图网络简介：如何在图结构的基础上建立神经网络？.mp4

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

68丨高级模型融合技巧：Metades是什么？.mp4

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

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

72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.mp4

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.mp4

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

77丨优化器：Adam和AdamW.mp4

78丨优化器：Lookahead，Radam和Lamb.mp4

79丨多重loss的方式：如何使用多重loss来提高模型准确率？.mp4

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

81丨UDA：一种系统的数据扩充框架.mp4

极客时间-NLP 实战高手课

01-50