120-NLP实战高手课 - 猎人搜索 轻松搜寻全网资源

• file:资料.txt
• file:139丨解决SparseReward的一些方法.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:146丨文本校对案例学习.mp4
• file:144丨Quora问题等价性案例学习：预处理和人工特征.mp4
• file:132丨知识蒸馏：如何加速神经网络推理.mp4
• file:141丨增强学习中的探索问题.mp4
• file:142丨Model-basedReinforcementLearning.mp4
• file:143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
• file:138丨Reward设计的一般原则.mp4
• file:149丨Docker部署实践.mp4
• file:152丨Kubernetes自动扩容.mp4
• file:137丨PPO算法.mp4
• file:140丨ImitationLearning和Self-imitationLearning.mp4
• file:129丨IMPALA：多Agent的Actor-Critic算法.mp4
• file:120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4
• file:128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4
• file:131丨多模态表示学习简介.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:124丨Learning to optimize：是否可以让机器学到一个新的优化器.mp4
• file:121丨层次搜索法：如何在模块之间进行搜索？.mp4
• file:125丨遗传算法和增强学习的结合.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:123丨超参数搜索：如何寻找算法的超参数.mp4
• file:130丨COMAAgent之间的交流.mp4
• file:08丨NLP的学习方法：如何在AI爆炸时代快速上手学习？.mp4
• file:45丨变量选择方法.mp4
• file:14丨AI项目部署：框架选择.mp4
• file:42丨降维方法：PCA、NMF 和 tSNE.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:01丨课程介绍.mp4
• file:17丨神经网络基础：神经网络还是复合函数.mp4
• file:11丨深度学习与硬件：GPU.mp4
• file:48丨集成树模型：LightGBM简介.mp4
• file:06丨NLP应用：智能问答系统.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:44丨降维方法：Variational Auto Encoder.mp4
• file:03丨AI概览：宣传片外的人工智能.mp4
• file:05丨NLP领域简介：NLP基本任务及研究方向.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:41丨自动特征构建方法：Symbolic learning和AutoCross简介.mp4
• file:23丨CNN：卷积神经网络是什么？.mp4
• file:21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4
• file:39丨半自动特征构建方法：连续变量的转换.mp4
• file:27丨PyTorch简介：如何构造神经网络？.mp4
• file:33丨Matplotlib 简介：如何进行简单的可视化分析？.mp4
• file:159丨Istio实例和Circuit Breaker.mp4
• file:157丨Kubernetes Stateful Sets.mp4
• file:158丨Istio简介：Istio包含哪些功能？.mp4
• file:81丨UDA：一种系统的数据扩充框架.mp4
• file:82丨LabelSmoothing和LogitSqueezing.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:73丨深度迁移学习模型：ALBERT和ELECTRA.mp4
• file:93丨依存分析和SemanticParsing概述.mp4
• file:52丨神经网络的构建：NetworkinNetwork.mp4
• file:68丨高级模型融合技巧：Metades是什么？.mp4
• file:59丨神经网络的训练：新的PyTorch训练框架.mp4
• file:97丨基于神经网络的依存分析算法.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: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
• file:94丨依存分析和UniversalDepdencyRelattions.mp4
• file:91丨Few-shotLearning：是否有更好的利用不同任务的方法？.mp4
• file:77丨优化器：Adam和AdamW.mp4
• file:90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4
• file:95丨Stanza使用.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:78丨优化器：Lookahead，Radam和Lamb.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: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
• 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:75丨深度迁移学习模型的微调：TensorFlowBERT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:53丨神经网络的构建：GatingMechanism和Attention.mp4
• file:96丨ShiftReduce算法.mp4
• file:85丨长文本分类：截取、关键词拼接和预测平均.mp4
• folder:120-NLP实战高手课
• folder:100-143
• folder:51-99