NLP實(shí)戰(zhàn)高手課
01 課程介紹.mp4
02 內(nèi)容綜述.mp4
03  A概覽:宣傳片外的人工智能.mp4
04  A項(xiàng)目流程:從實(shí)驗(yàn)到落地.mp4
05  NLP領(lǐng)域簡(jiǎn)介: NLP基本任務(wù)及研究方向.mp4
06  NLP應(yīng)用:智能問答系統(tǒng).mp4
07  NLP應(yīng)用:文本校對(duì)系統(tǒng).mp4
08  NLP的學(xué)習(xí)方法:如何在A爆炸時(shí)代快速上手學(xué)習(xí)? .mp4
09 深度學(xué)習(xí)框架:選擇合適的深度學(xué)習(xí)框架?10 深度學(xué)習(xí)與硬件: CPU.mp4
11 深度學(xué)習(xí)與硬件: GPU.mp4
12 深度學(xué)習(xí)與硬件: TPU.mp4
13  A項(xiàng)目部署:基本原則.mp4
14  A項(xiàng)目部署:框架選擇.mp4
15  A項(xiàng)目部署:微服務(wù)簡(jiǎn)介.mp4
16 統(tǒng)計(jì)學(xué)基礎(chǔ):隨機(jī)性是如何改變數(shù)據(jù)擬合的本質(zhì)的? .mp4
17 神經(jīng)網(wǎng)絡(luò)基礎(chǔ):神經(jīng)網(wǎng)絡(luò)還是復(fù)合函數(shù).mp4
18 神經(jīng)網(wǎng)絡(luò)基礎(chǔ):訓(xùn)練神經(jīng)網(wǎng)絡(luò).mp4
19 神經(jīng)網(wǎng)絡(luò)基礎(chǔ):神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)構(gòu)成.mp4
20  Embeddng簡(jiǎn)介.mp4
21  RNN簡(jiǎn)介:馬爾可夫過程和隱馬爾可夫過程. mp4
22 RNN簡(jiǎn)介: RNN和LSTM.mp4
23  CNN :卷積神經(jīng)網(wǎng)絡(luò)是什么? .mp4
24 1環(huán)境部署:如何構(gòu)建簡(jiǎn)單的深度學(xué)習(xí)環(huán)境? .mp4
25  PyTorch簡(jiǎn)介: Tensor和相關(guān)運(yùn)算.mp4
26  PyTorch簡(jiǎn)介:如何構(gòu)造Dataset和DataLoader ? .mp4
27  PyTorch簡(jiǎn)介: 如何構(gòu)造神經(jīng)網(wǎng)絡(luò)? .mp4
28 文本分類實(shí)踐:如何進(jìn)行簡(jiǎn)單的文本分類? .mp4
29 文本分類實(shí)踐的評(píng)價(jià):如何提升進(jìn)一步的分類效果 ? .mp4
30 經(jīng)典的數(shù)據(jù)挖掘方法:數(shù)據(jù)驅(qū)動(dòng)型開發(fā)早期的努力.mp4
31  表格化數(shù)據(jù)挖掘基本流程:看看現(xiàn)在的數(shù)據(jù)挖掘都是怎么做的? .mp4
32  Pandas 簡(jiǎn)介:如何使用Pandas對(duì)數(shù)據(jù)進(jìn)行處理? .mp4
33  Matplotb簡(jiǎn)介:如何進(jìn)行簡(jiǎn)單的可視化分析? .mp4
34 半自動(dòng)特征構(gòu)建方法: Target Mean Encodng.mp4
35 半自動(dòng)特征構(gòu)建方法: Categorcal Encoder.mp4
36 半自動(dòng)特征構(gòu)建方法:連續(xù)變量的離散化.mp4
371半自動(dòng)特征構(gòu)建方法 : Entty Embeddng.mp4
38 半自動(dòng)構(gòu)建方法: Entty Embeddng的實(shí)現(xiàn).mp4
39 半自動(dòng)特征構(gòu)建方法:連續(xù)變量的轉(zhuǎn)換.mp4
40 半自動(dòng)特征構(gòu)建方法:缺失變量和異常值的處理.mp4
411自動(dòng)特征構(gòu)建 方法: Symbolc learnng和AutoCross簡(jiǎn)介.mp4
42 1降維方法: PCA. NMF和tSNE.mp4
43 降維方法: Denosng Auto Encoders.mp4
44 降維方法: Varatonal Auto Encoder.mp4
45 變量選擇方法.mp4
46 集成樹模型:如何提升決策樹的效果47 集成樹模型: GBDT和XgBoost的數(shù)學(xué)表達(dá).mp4
48 集成樹模型: LghtGBM簡(jiǎn)介.mp4
49 集成樹模型: CatBoost和NGBoost簡(jiǎn)介.mp4
50 神經(jīng)網(wǎng)絡(luò)建模:如何讓神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)你的數(shù)據(jù)挖掘需求51 1神經(jīng)網(wǎng)絡(luò)的構(gòu)建: ResdualConnecton和DenseConnecton.mp4
..........
841.上層模型拼接:如何在語言模型基礎(chǔ)上拼接更多的模型? .mp4
85 1長(zhǎng)文本分類:截取、關(guān)鍵詞拼接和預(yù)測(cè)平均.mp4
86 I VirtualAdverserialTraining :如何減少-般對(duì)抗訓(xùn)練難收斂的問題并提高結(jié)果的魯棒性? .mp4
87 I其他Embedding的訓(xùn)練:還有哪些Embedding方法? .mp4
88 I訓(xùn)練預(yù)語言模型.mp4
89 I多任務(wù)訓(xùn)練:如何利用多任務(wù)訓(xùn)練來提升效果? .mp4
90 I DomainAdaptation :如何利用其它有標(biāo)注語料來提升效果? .mp4
91 I Few-shotLearning :是否有更好的利用不同任務(wù)的方法? .mp4
92 I半監(jiān)督學(xué)習(xí):如何讓沒有標(biāo)注的數(shù)據(jù)也派上用場(chǎng)? .mp4
93 |依存分析和SemanticParsing概述.mp4
94 I依存分析和UniversalDepdencyRelattions.mp4
95 I Stanza使用.mp4
96 I ShiftReduce算法.mp4
97 I基于神經(jīng)網(wǎng)絡(luò)的依存分析算法.mp4
98 I樹神經(jīng)網(wǎng)絡(luò):如何采用TreeL STM和其它拓展方法? .mp4
99 I SemanticParsing基礎(chǔ): SemanticParsing的任務(wù)是什么? .mp4