【极客时间-100046401】NLP 实战高手课夸克网盘资源_网盘资源_夸克网盘资源搜索_全盘搜

• file:129丨IMPALA：多Agent的Actor-Critic算法.mp4
• file:126丨使用增强学习改进组合优化的算法.mp4
• file:131丨多模态表示学习简介.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:128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4
• file:123丨超参数搜索：如何寻找算法的超参数.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:125丨遗传算法和增强学习的结合.mp4
• file:130丨COMAAgent之间的交流.mp4
• file:121丨层次搜索法：如何在模块之间进行搜索？.mp4
• file:120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4
• file:119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4
• file:122丨LeNAS：如何搜索搜索space.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:114丨MCTS简介：如何将“推理”引入到强化学习框架中.mp4
• file:118丨AutoML网络架构举例.mp4
• file:117丨AutoML及NeuralArchitectureSearch简介.mp4
• file:111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4
• file:112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4
• file:113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4
• file:110丨Rainbow：如何改进Q-learning算法？.mp4
• file: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
• file:108丨最短路问题和DijkstraAlgorithm.mp4
• file:105丨InductiveLogicProgramming：基本设定.mp4
• file:102丨Tranx简介.mp4
• file:104丨Lambda-DCS概述.mp4
• file:101丨ASDL和AST.mp4
• file:100丨WikiSQL任务简介.mp4
• file:51丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用.mp4
• file:60丨Transformer：如何通过Transformer榨取重要变量？.mp4
• file:52丨神经网络的构建：NetworkinNetwork.mp4
• file:62丨xDeepFM：如何用神经网络处理高维的特征？.mp4
• file:59丨神经网络的训练：新的PyTorch训练框架.mp4
• file:57丨神经网络的训练：初始化.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: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:53丨神经网络的构建：GatingMechanism和Attention.mp4
• file:61丨Transformer代码实现剖析.mp4
• file:63丨xDeepFM的代码解析.mp4
• file:65丨图嵌入：如何将图关系纳入模型？.mp4
• file:78丨优化器：Lookahead，Radam和Lamb.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: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:75丨深度迁移学习模型的微调：TensorFlowBERT代码简析.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:81丨UDA：一种系统的数据扩充框架.mp4
• file:85丨长文本分类：截取、关键词拼接和预测平均.mp4
• file:93丨依存分析和SemanticParsing概述.mp4
• file:98丨树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4
• file:96丨ShiftReduce算法.mp4
• file:95丨Stanza使用.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:73丨深度迁移学习模型：ALBERT和ELECTRA.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:44丨降维方法：Variational Auto Encoder.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:48丨集成树模型：LightGBM简介.mp4
• file:39丨半自动特征构建方法：连续变量的转换.mp4
• file:41丨自动特征构建方法：Symbolic learning和AutoCross简介.mp4
• file:45丨变量选择方法.mp4
• file:34丨半自动特征构建方法：Target Mean Encoding.mp4
• file:42丨降维方法：PCA、NMF 和 tSNE.mp4
• file:38丨半自动构建方法：Entity Embedding的实现.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:32丨Pandas 简介：如何使用Pandas对数据进行处理？.mp4
• file:33丨Matplotlib 简介：如何进行简单的可视化分析？.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: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:13丨AI项目部署：基本原则.mp4
• file:07丨NLP应用：文本校对系统.mp4
• file:12丨深度学习与硬件：TPU.mp4
• file:04丨AI项目流程：从实验到落地.mp4
• file:24丨环境部署：如何构建简单的深度学习环境？.mp4
• file:02丨内容综述.mp4
• file:25丨PyTorch简介：Tensor和相关运算.mp4
• file:19丨神经网络基础：神经网络的基础构成.mp4
• folder:【极客时间-100046401】NLP 实战高手课
• folder:51-99