NLP实战高手课:全方位提升你的NLP实战技能[mp4/46.65 GB]百度网盘下载

NLP实战高手课:全方位提升你的NLP实战技能[mp4/46.65 GB]百度网盘下载

资源为NLP实战高手课:全方位提升你的NLP实战技能[mp4/46.65 GB]百度网盘下载,包含了160节视频课程,超清视频课程完整版,无需下载即可在线播放。

NLP (全称Natural Language Processing,即自然语言处理) 被誉为“人工智能皇冠上的明珠”,它在电商、翻译、金融、智能硬件、医疗等各个行业已经有了越来越广泛的应用。

NLP实战高手课:全方位提升你的NLP实战技能[mp4/46.65 GB]百度网盘下载

很多人认为,NLP 已经迎来了属于它的黄金时代。相应的,各个企业对 NLP 工程师的需求也越来越多。

但是,如果想成为一个 NLP 领域的高手,仅仅会调用几个开源框架,调一调参数,显然是不够的。由于 NLP 本身的复杂性,仅仅停留在对一些技术领域的浅层理解或者跟着论文照做,你很难在实际工作中取得理想的效果。

NLP实战高手课:全方位提升你的NLP实战技能[mp4/46.65 GB]百度网盘下载

因此,本课程在内容设计上,将打破常规,打造一门有理论深度同时兼具实战性的课程。我们希望通过这个课程,让你对 NLP 领域的相关技术和解决方案有一个更系统和深入的了解,最终让你能够独立完成一个 NLP 项目的开发、部署全流程,并掌握进一步的自我学习和独立解决问题的能力。

资源目录

第一章:AI及NLP基础 (15讲)

01 | 课程介绍

02 | 内容综述

03 | AI概览:宣传片外的人工智能

04 | AI项目流程:从实验到落地

05 | NLP领域简介:NLP基本任务及研究方向

06 | NLP应用:智能问答系统

07 | NLP应用:文本校对系统

08 | NLP的学习方法:如何在AI爆炸时代快速上手学习?

09 | 深度学习框架简介:如何选择合适的深度学习框架?

10 | 深度学习与硬件:CPU

11 | 深度学习与硬件:GPU

12 | 深度学习与硬件:TPU

13 | AI项目部署:基本原则

14 | AI项目部署:框架选择

15 | AI项目部署:微服务简介

第二章:深度学习简介和NLP试水 (14讲)

16 | 统计学基础:随机性是如何改变数据拟合的本质的?

17 | 神经网络基础:神经网络还是复合函数

18 | 神经网络基础:训练神经网络

19 | 神经网络基础:神经网络的基础构成

20 | Embedding简介:为什么Embedding更适合编码文本特征?

21 | RNN简介:马尔可夫过程和隐马尔可夫过程

22 | RNN简介:RNN和LSTM

23 | CNN:卷积神经网络是什么?

24 | 环境部署:如何构建简单的深度学习环境?

25 | PyTorch简介:Tensor和相关运算

26 | PyTorch简介:如何构造Dataset和DataLoader?

27 | PyTorch简介:如何构造神经网络?

28 | 文本分类实践:如何进行简单的文本分类?

29 | 文本分类实践的评价:如何提升进一步的分类效果?

第三章:表格化数据挖掘 (40讲)

30 | 经典的数据挖掘方法:数据驱动型开发早期的努力

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?

32 | Pandas简介:如何使用Pandas对数据进行处理?

33 | Matplotlib简介:如何进行简单的可视化分析?

34 | 半自动特征构建方法:Target Mean Encoding

35 | 半自动特征构建方法:Categorical Encoder

36 | 半自动特征构建方法:连续变量的离散化

37 | 半自动特征构建方法:Entity Embedding

38 | 半自动构建方法:Entity Embedding的实现

39 | 半自动特征构建方法:连续变量的转换

40 | 半自动特征构建方法:缺失变量和异常值的处理

41 | 自动特征构建方法:Symbolic learning和AutoCross简介

42 | 降维方法:PCA、NMF 和 tSNE

43 | 降维方法:Denoising Auto Encoders

44 | 降维方法:Variational Auto Encoder

45 | 变量选择方法

46 | 集成树模型:如何提升决策树的效果

47 | 集成树模型:GBDT和XgBoost的数学表达

48 | 集成树模型:LightGBM简介

49 | 集成树模型:CatBoost和NGBoost简介

50 | 神经网络建模:如何让神经网络实现你的数据挖掘需求

51 | 神经网络的构建:Residual Connection和Dense Connection

52 | 神经网络的构建:Network in Network

53 | 神经网络的构建:Gating Mechanism和Attention

54 | 神经网络的构建:Memory

55 | 神经网络的构建:Activation Function

56 | 神经网络的构建:Normalization

57 | 神经网络的训练:初始化

58 | 神经网络的训练:学习率和Warm-up

59 | 神经网络的训练:新的PyTorch训练框架

60 | Transformer:如何通过Transformer榨取重要变量?

61 | Transformer代码实现剖析

62 | xDeepFM:如何用神经网络处理高维的特征?

63 | xDeepFM的代码解析

64 | 时序建模:如何用神经网络解决时间序列的预测问题?

65 | 图嵌入:如何将图关系纳入模型?

66 | 图网络简介:如何在图结构的基础上建立神经网络?

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?

68 | 高级模型融合技巧:Metades是什么?

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?

第四章:自然语言分类任务 (37讲)

70 | 重新审视Word Embedding:Negative Sampling和Contextual Embedding

71 | 深度迁移学习模型:从ELMo到BERT

72 | 深度迁移学习模型:RoBERTa、XLNet、ERNIE和T5

73 | 深度迁移学习模型:ALBERT和ELECTRA

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

75 | 深度迁移学习模型的微调:TensorFlow BERT代码简析

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

77 | 优化器:Adam和AdamW

78 | 优化器:Lookahead,Radam和Lamb

79 | 多重loss的方式:如何使用多重loss来提高模型准确率?

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?

81 | UDA:一种系统的数据扩充框架

82 | Label Smoothing和Logit Squeezing

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?

84 | 上层模型拼接:如何在语言模型基础上拼接更多的模型?

85 | 长文本分类:截取、关键词拼接和预测平均

86 | Virtual Adverserial Training: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?

87 | 其他Embedding的训练:还有哪些Embedding方法?

88 | 训练预语言模型

89 | 多任务训练:如何利用多任务训练来提升效果?

90 | Domain Adaptation:如何利用其它有标注语料来提升效果?

91 | Few-shot Learning:是否有更好的利用不同任务的方法?

92 | 半监督学习:如何让没有标注的数据也派上用场?

93 | 依存分析和Semantic Parsing概述

94 | 依存分析和Universal Depdency Relattions

95 | 如何在Stanza中实现Dependency Parsing

96 | Shift Reduce算法

97 | 基于神经网络的依存分析算法

98 | 树神经网络:如何采用Tree LSTM和其它拓展方法?

99 | Semantic Parsing基础:Semantic Parsing的任务是什么?

100 | WikiSQL任务简介

101 | ASDL和AST

102 | Tranx简介

103 | Lambda Caculus概述

104 | Lambda-DCS概述

105 | Inductive Logic Programming:基本设定

106 | Inductive Logic Programming:一个可微的实现

第五章:增强学习 (37讲)

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?

108 | 最短路问题和Dijkstra Algorithm

109 | Q-learning:如何进行Q-learning算法的推导?

110 | Rainbow:如何改进Q-learning算法?

111 | Policy Gradient:如何进行Policy Gradient的基本推导?

112 | A2C和A3C:如何提升基本的Policy Gradient算法

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

114 | MCTS简介:如何将“推理”引入到强化学习框架中

115 | Direct Policty Gradient:基本设定及Gumbel-trick的使用

116 | Direct Policty Gradient:轨迹生成方法

117 | AutoML及Neural Architecture Search简介

118 | AutoML网络架构举例

119 | RENAS:如何使用遗传算法和增强学习探索网络架构

120 | Differentiable Search:如何将NAS变为可微的问题

121 | 层次搜索法:如何在模块之间进行搜索?

122 | LeNAS:如何搜索搜索space

123 | 超参数搜索:如何寻找算法的超参数

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

125 | 遗传算法和增强学习的结合

126 | 使用增强学习改进组合优化的算法

127 | 多代理增强学习概述:什么是多代理增强学习?

128 | AlphaStar介绍:AlphaStar中采取了哪些技术?

129 | IMPALA:多Agent的Actor-Critic算法

130 | COMA:Agent之间的交流

131 | 多模态表示学习简介

132 | 知识蒸馏:如何加速神经网络推理

133 | DeepGBM:如何用神经网络捕捉集成树模型的知识

134 | 文本推荐系统和增强学习

135 | RL训练方法集锦:简介

136 | RL训练方法:RL实验的注意事项

137 | PPO算法

138 | Reward设计的一般原则

139 | 解决Sparse Reward的一些方法

140 | Imitation Learning和Self-imitation Learning

141 | 增强学习中的探索问题

142 | Model-based Reinforcement Learning

143 | Transfer Reinforcement Learning和Few-shot Reinforcement Learning

第六章:实际案例研究 (3讲)

144 | Quora问题等价性案例学习:预处理和人工特征

145 | Quora问题等价性案例学习:深度学习模型

146 | 文本校对案例学习

第七章:系统部署 (14讲)

147 | 微服务和Kubernetes简介

148 | Docker简介

149 | Docker部署实践

150 | Kubernetes基本概念

151 | Kubernetes部署实践

152 | Kubernetes自动扩容

153 | Kubernetes服务发现

154 | Kubernetes Ingress

155 | Kubernetes健康检查

156 | Kubernetes灰度上线

157 | Kubernetes Stateful Sets

158 | Istio简介:Istio包含哪些功能?

159 | Istio实例和Circuit Breaker

160 | 结束语

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注

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。更多说明请参考 VIP介绍。

最常见的情况是下载不完整: 可对比下载完压缩包的与网盘上的容量,若小于网盘提示的容量则是这个原因。这是浏览器下载的bug,建议用百度网盘软件或迅雷下载。 若排除这种情况,可在对应资源底部留言,或联络我们。

对于会员专享、整站源码、程序插件、网站模板、网页模版等类型的素材,文章内用于介绍的图片通常并不包含在对应可供下载素材包内。这些相关商业图片需另外购买,且本站不负责(也没有办法)找到出处。 同样地一些字体文件也是这种情况,但部分素材会在素材包内有一份字体下载链接清单。

如果您已经成功付款但是网站没有弹出成功提示,请联系站长提供付款信息为您处理

源码素材属于虚拟商品,具有可复制性,可传播性,一旦授予,不接受任何形式的退款、换货要求。请您在购买获取之前确认好 是您所需要的资源