【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:121丨层次搜索法：如何在模块之间进行搜索？.mp4
• file:117丨AutoML及NeuralArchitectureSearch简介.mp4
• file:123丨超参数搜索：如何寻找算法的超参数.mp4
• file:122丨LeNAS：如何搜索搜索space.mp4
• file:126丨使用增强学习改进组合优化的算法.mp4
• file:129丨IMPALA：多Agent的Actor-Critic算法.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:119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4
• file:125丨遗传算法和增强学习的结合.mp4
• file:128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4
• file:120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4
• file:130丨COMAAgent之间的交流.mp4
• file:131丨多模态表示学习简介.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:127丨多代理增强学习概述：什么是多代理增强学习？.mp4
• file:112丨A2C和A3C：如何提升基本的PolicyGradient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:111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4
• file:114丨MCTS简介：如何将“推理”引入到强化学习框架中.mp4
• file:108丨最短路问题和DijkstraAlgorithm.mp4
• file:109丨Q-learning：如何进行Q-learning算法的推导？.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:104丨Lambda-DCS概述.mp4
• file:118丨AutoML网络架构举例.mp4
• file:102丨Tranx简介.mp4
• file:105丨InductiveLogicProgramming：基本设定.mp4
• file:101丨ASDL和AST.mp4
• file:100丨WikiSQL任务简介.mp4
• file:98丨树神经网络：如何采用TreeLSTM和其它拓展方法？.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:93丨依存分析和SemanticParsing概述.mp4
• file:88丨训练预语言模型.mp4
• file:94丨依存分析和UniversalDepdencyRelattions.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:87丨其他Embedding的训练：还有哪些Embedding方法？.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:85丨长文本分类：截取、关键词拼接和预测平均.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:91丨Few-shotLearning：是否有更好的利用不同任务的方法？.mp4
• file:96丨ShiftReduce算法.mp4
• file:95丨Stanza使用.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:81丨UDA：一种系统的数据扩充框架.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: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:68丨高级模型融合技巧：Metades是什么？.mp4
• file:78丨优化器：Lookahead，Radam和Lamb.mp4
• file:74丨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.mp4
• file:72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.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: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:77丨优化器：Adam和AdamW.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:82丨LabelSmoothing和LogitSqueezing.mp4
• file:15丨AI项目部署：微服务简介.mp4
• file:16丨统计学基础：随机性是如何改变数据拟合的本质的？.mp4
• file:17丨神经网络基础：神经网络还是复合函数.mp4
• file:01丨课程介绍.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:07丨NLP应用：文本校对系统.mp4
• file:04丨AI项目流程：从实验到落地.mp4
• file:11丨深度学习与硬件：GPU.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:05丨NLP领域简介：NLP基本任务及研究方向.mp4
• file:03丨AI概览：宣传片外的人工智能.mp4
• file:41丨自动特征构建方法：Symbolic learning和AutoCross简介.mp4
• file:49丨集成树模型：CatBoost和NGBoost简介.mp4
• file:22丨RNN简介：RNN和LSTM.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:38丨半自动构建方法：Entity Embedding的实现.mp4
• file:43丨降维方法：Denoising Auto Encoders.mp4
• file:25丨PyTorch简介：Tensor和相关运算.mp4
• file:20丨Embedding简介.mp4
• file:35丨半自动特征构建方法：Categorical Encoder.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:29丨文本分类实践的评价：如何提升进一步的分类效果？.mp4
• folder:【极客时间-100046401】NLP 实战高手课
• folder:51-99