【极客时间-100046401】NLP 实战高手课 - 猎人搜索 轻松搜寻全网资源

• file:160丨结束语.mp4
• file:159丨Istio实例和Circuit Breaker.mp4
• file:158丨Istio简介：Istio包含哪些功能？.mp4
• file:157丨Kubernetes Stateful Sets.mp4
• file:156丨Kubernetes灰度上线.mp4
• file:148丨Docker简介.mp4
• file:146丨文本校对案例学习.mp4
• file:145丨Quora问题等价性案例学习：深度学习模型.mp4
• file:139丨解决SparseReward的一些方法.mp4
• file:142丨Model-basedReinforcementLearning.mp4
• file:143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
• file:141丨增强学习中的探索问题.mp4
• file:140丨ImitationLearning和Self-imitationLearning.mp4
• file:138丨Reward设计的一般原则.mp4
• file:135丨RL训练方法集锦：简介.mp4
• file:133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.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:97丨基于神经网络的依存分析算法.mp4
• file:99丨SemanticParsing基础：SemanticParsing的任务是什么？.mp4
• file:98丨树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4
• file:94丨依存分析和UniversalDepdencyRelattions.mp4
• file:95丨Stanza使用.mp4
• file:96丨ShiftReduce算法.mp4
• file:91丨Few-shotLearning：是否有更好的利用不同任务的方法？.mp4
• file:93丨依存分析和SemanticParsing概述.mp4
• file:92丨半监督学习：如何让没有标注的数据也派上用场？.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:90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4
• file:88丨训练预语言模型.mp4
• file:87丨其他Embedding的训练：还有哪些Embedding方法？.mp4
• file:85丨长文本分类：截取、关键词拼接和预测平均.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: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:81丨UDA：一种系统的数据扩充框架.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: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:82丨LabelSmoothing和LogitSqueezing.mp4
• file: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
• file:77丨优化器：Adam和AdamW.mp4
• file:75丨深度迁移学习模型的微调：TensorFlowBERT代码简析.mp4
• file:78丨优化器：Lookahead，Radam和Lamb.mp4
• file:73丨深度迁移学习模型：ALBERT和ELECTRA.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: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:68丨高级模型融合技巧：Metades是什么？.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: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:48丨集成树模型：LightGBM简介.mp4
• file:45丨变量选择方法.mp4
• file:44丨降维方法：Variational Auto Encoder.mp4
• file:42丨降维方法：PCA、NMF 和 tSNE.mp4
• file:41丨自动特征构建方法：Symbolic learning和AutoCross简介.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:37丨半自动特征构建方法：Entity Embedding.mp4
• file:35丨半自动特征构建方法：Categorical Encoder.mp4
• file:33丨Matplotlib 简介：如何进行简单的可视化分析？.mp4
• file:32丨Pandas 简介：如何使用Pandas对数据进行处理？.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: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: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:27丨PyTorch简介：如何构造神经网络？.mp4
• file:26丨PyTorch简介：如何构造Dataset和DataLoader？.mp4
• file:24丨环境部署：如何构建简单的深度学习环境？.mp4
• file:22丨RNN简介：RNN和LSTM.mp4
• file:21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4
• file:20丨Embedding简介.mp4
• file:23丨CNN：卷积神经网络是什么？.mp4
• folder:【极客时间-100046401】NLP 实战高手课
• folder:51-99