《120-NLP实战高手课》是一套涵盖自然语言处理（NLP）、深度学习、Kubr、I、强化学习、自动化机器学习（AuML）等多个领域的综合性实战课程。课程内容从基础的Dkr和微服务概念开始，深入讲解了Kubr的各个方面，包括Sau S、灰度上线、健康检查、Ir等。此外，课程还涉及了NLP的实际应用，如文本校对、问题等价性案例学习等。强化学习部分，课程介绍了模型基础、算法优化、 Rar设计、以及多代理增强学习等高级主题。资源还包括了神经网络和深度学习的基础知识，以及如何在AI项目中部署微服务和神经网络。每个视频都是理论与实践相结合的讲解，适合希望提升实战能力的开发者。
相关资源
20-NLP实战高手课
🌐【极客时间】NLP 实战高手课
67-容器实战高手课
66-容器实战高手课
66-容器实战高手课【383.66MB】
20-深度学习-NLP自然语言处理项目实战
【小鑫学堂】港股打新高手实战课
【小鑫学堂】港股打新高手实战课
实战课-Shell 高阶开发实战-完结
【小鑫学堂】港股打新高手实战课【253.47MB】
NLP学习手册-NLP心语智慧 - - 4774485.pdf
【课程教程】晋升IT高手！Linux实战技能讲
656、【完结】NLP心理实操技能线上课
抖音手绘动画实战课程
高地战20
37、台湾NLP课程
（548期）抖音卖课实操培训营：抖音知识付费实战技术，手把手实战课！等
小叶老师手机摄影实战课
（058期）社群-操盘手实战大课
DDD实战课
- 1
- 2
- 3
- 4
- 5
- 6
- 50
20-NLP实战高手课
资源介绍
... 展开
资源目录结构(只展示部分的文件和文件夹，以下文件快照生成于2024-11-15)
资源投诉
20-NLP实战高手课55.31 GB0-5021.88 GB
49丨集成树模型：CatBoost和NGBoost简介.mp4115.01 MB48丨集成树模型：LightGBM简介.mp4244.94 MB50丨神经网络建模：如何让神经网络实现你的数据挖掘需求 5丨神经网络的构建：ResidualConnection和DenseConnection.mp4465.76 MB43丨降维方法：Denoising Auto Encoders.mp4163.43 MB45丨变量选择方法.mp4192.63 MB40丨半自动特征构建方法：缺失变量和异常值的处理.mp4211.77 MB44丨降维方法：Variational Auto Encoder.mp4455.04 MB4丨自动特征构建方法：Symbolic learning和AutoCross简介.mp4460.30 MB42丨降维方法：PCA、NMF 和 tSNE.mp4644.72 MB46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.mp4840.59 MB34丨半自动特征构建方法：Target Mean Encoding.mp4298.85 MB35丨半自动特征构建方法：Categorical Encoder.mp4303.73 MB36丨半自动特征构建方法：连续变量的离散化.mp4333.40 MB39丨半自动特征构建方法：连续变量的转换.mp4637.32 MB38丨半自动构建方法：Entity Embedding的实现.mp4766.24 MB37丨半自动特征构建方法：Entity Embedding.mp41005.85 MB33丨Matplotlib 简介：如何进行简单的可视化分析？.mp4268.35 MB3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？.mp4292.29 MB30丨经典的数据挖掘方法：数据驱动型开发早期的努力.mp4355.29 MB28丨文本分类实践：如何进行简单的文本分类？.mp4548.07 MB32丨Pandas 简介：如何使用Pandas对数据进行处理？.mp4559.10 MB29丨文本分类实践的评价：如何提升进一步的分类效果？.mp4858.82 MB23丨CNN：卷积神经网络是什么？.mp4248.95 MB2丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4270.16 MB26丨PyTorch简介：如何构造Dataset和DataLoader？.mp4330.48 MB25丨PyTorch简介：Tensor和相关运算.mp4406.72 MB27丨PyTorch简介：如何构造神经网络？.mp4571.70 MB22丨RNN简介：RNN和LSTM.mp4626.94 MB24丨环境部署：如何构建简单的深度学习环境？.mp4871.99 MB20丨Embedding简介.mp4258.05 MB5丨AI项目部署：微服务简介.mp4265.17 MB7丨神经网络基础：神经网络还是复合函数.mp4333.07 MB8丨神经网络基础：训练神经网络.mp4338.65 MB6丨统计学基础：随机性是如何改变数据拟合的本质的？.mp4437.88 MB9丨神经网络基础：神经网络的基础构成.mp4676.95 MB3丨AI项目部署：基本原则.mp4147.03 MB4丨AI项目部署：框架选择.mp4211.81 MB2丨深度学习与硬件：TPU.mp4359.36 MB丨深度学习与硬件：GPU.mp4401.70 MB08丨NLP的学习方法：如何在AI爆炸时代快速上手学习？.mp4455.99 MB09丨深度学习框架：选择合适的深度学习框架？0丨深度学习与硬件：CPU.mp41.42 GB07丨NLP应用：文本校对系统.mp4258.20 MB06丨NLP应用：智能问答系统.mp4397.25 MB02丨内容综述.mp4449.68 MB05丨NLP领域简介：NLP基本任务及研究方向.mp4597.71 MB03丨AI概览：宣传片外的人工智能.mp4831.02 MB04丨AI项目流程：从实验到落地.mp4980.65 MB0丨课程介绍.mp4203.89 MB5-9918.82 GB98丨树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4107.83 MB96丨ShiftReduce算法.mp4216.86 MB99丨SemanticParsing基础：SemanticParsing的任务是什么？.mp4268.18 MB95丨Stanza使用.mp4379.80 MB97丨基于神经网络的依存分析算法.mp4652.13 MB93丨依存分析和SemanticParsing概述.mp487.43 MB92丨半监督学习：如何让没有标注的数据也派上用场？.mp4120.79 MB88丨训练预语言模型.mp4221.56 MB90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4193.87 MB9丨Few-shotLearning：是否有更好的利用不同任务的方法？.mp4359.41 MB89丨多任务训练：如何利用多任务训练来提升效果？.mp4402.13 MB94丨依存分析和UniversalDepdencyRelattions.mp4426.96 MB82丨LabelSmoothing和LogitSqueezing.mp4111.88 MB87丨其他Embedding的训练：还有哪些Embedding方法？.mp4134.90 MB83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？.mp4146.64 MB84丨上层模型拼接：如何在语言模型基础上拼接更多的模型？.mp4287.87 MB85丨长文本分类：截取、关键词拼接和预测平均.mp4299.03 MB86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？.mp4313.04 MB78丨优化器：Lookahead，Radam和Lamb.mp4139.67 MB80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？.mp4176.48 MB79丨多重loss的方式：如何使用多重loss来提高模型准确率？.mp4233.12 MB8丨UDA：一种系统的数据扩充框架.mp4376.98 MB77丨优化器：Adam和AdamW.mp4387.39 MB76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.mp4426.67 MB75丨深度迁移学习模型的微调：TensorFlowBERT代码简析.mp4933.53 MB73丨深度迁移学习模型：ALBERT和ELECTRA.mp4171.30 MB67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？.mp4296.79 MB69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？.mp4432.08 MB68丨高级模型融合技巧：Metades是什么？.mp4544.12 MB72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.mp4588.16 MB74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.mp4737.71 MB70丨重新审视Word Embedding：Negative Sampling和Contextual Embedding7丨深度迁移学习模型：从ELMo到BERT.mp4748.94 MB63丨xDeepFM的代码解析.mp4354.43 MB62丨xDeepFM：如何用神经网络处理高维的特征？.mp4522.80 MB65丨图嵌入：如何将图关系纳入模型？.mp4548.22 MB66丨图网络简介：如何在图结构的基础上建立神经网络？.mp4699.96 MB64丨时序建模：如何用神经网络解决时间序列的预测问题？.mp4785.60 MB6丨Transformer代码实现剖析.mp41.01 GB57丨神经网络的训练：初始化.mp4283.87 MB56丨神经网络的构建：Normalization.mp4260.01 MB55丨神经网络的构建：ActivationFunction.mp4300.35 MB58丨神经网络的训练：学习率和Warm-up.mp4560.48 MB60丨Transformer：如何通过Transformer榨取重要变量？.mp4738.38 MB59丨神经网络的训练：新的PyTorch训练框架.mp4921.57 MB52丨神经网络的构建：NetworkinNetwork.mp479.03 MB53丨神经网络的构建：GatingMechanism和Attention.mp4231.99 MB5丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用.mp4259.78 MB54丨神经网络的构建：Memory.mp4766.21 MB60丨结束语.mp4127.65 MB58丨Istio简介：Istio包含哪些功能？.mp4122.10 MB57丨Kubernetes Stateful Sets.mp4174.90 MB56丨Kubernetes灰度上线.mp4232.75 MB55丨Kubernetes健康检查.mp4235.37 MB54丨Kubernetes Ingress.mp4254.00 MB59丨Istio实例和Circuit Breaker.mp4379.05 MB53丨Kubernetes服务发现.mp4136.96 MB48丨Docker简介.mp4178.70 MB47丨微服务和Kubernetes简介.mp4223.20 MB50丨Kubernetes基本概念.mp4214.84 MB52丨Kubernetes自动扩容.mp4278.23 MB49丨Docker部署实践.mp4342.93 MB46丨文本校对案例学习.mp4409.67 MB5丨Kubernetes部署实践.mp4462.29 MB42丨Model-basedReinforcementLearning.mp4340.44 MB45丨Quora问题等价性案例学习：深度学习模型.mp4365.70 MB40丨ImitationLearning和Self-imitationLearning.mp4429.06 MB44丨Quora问题等价性案例学习：预处理和人工特征.mp4446.85 MB4丨增强学习中的探索问题.mp4453.05 MB43丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4508.33 MB39丨解决SparseReward的一些方法.mp4660.97 MB33丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp491.29 MB38丨Reward设计的一般原则.mp4184.90 MB36丨RL训练方法RL实验的注意事项.mp4235.73 MB35丨RL训练方法集锦：简介.mp4279.48 MB37丨PPO算法.mp4302.71 MB34丨文本推荐系统和增强学习.mp4464.30 MB30丨COMAAgent之间的交流.mp4165.55 MB32丨知识蒸馏：如何加速神经网络推理.mp4180.35 MB3丨多模态表示学习简介.mp4234.98 MB27丨多代理增强学习概述：什么是多代理增强学习？.mp4240.57 MB29丨IMPALA：多Agent的Actor-Critic算法.mp4276.65 MB28丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4326.62 MB26丨使用增强学习改进组合优化的算法.mp4446.44 MB2丨层次搜索法：如何在模块之间进行搜索？.mp4179.09 MB22丨LeNAS：如何搜索搜索space.mp4190.28 MB25丨遗传算法和增强学习的结合.mp4202.38 MB24丨Learning to optimize：是否可以让机器学到一个新的优化器.mp4257.21 MB23丨超参数搜索：如何寻找算法的超参数.mp4293.32 MB20丨DifferentiableSearch：如何将NAS变为可微的问题.mp4347.24 MB9丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4425.47 MB7丨AutoML及NeuralArchitectureSearch简介.mp4265.88 MB4丨MCTS简介：如何将“推理”引入到强化学习框架中.mp4350.78 MB5丨DirectPolictyGradient：基本设定及Gumbel-trick的使用6丨DirectPolictyGradient：轨迹生成方法.mp4959.78 MB8丨AutoML网络架构举例.mp4554.74 MB3丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4230.92 MB丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4290.66 MB1、本网站数据来自互联网，通过自动抓取公开网页链接构建数据库，系统将基于链接特征选择性收录符合收录标准的内容
2、根据用户输入的关键词，通过智能算法自动匹配并展示相关第三方网页链接。所有搜索结果均为实时动态生成
3、本站不控制、修改第三方网页内容，不对其可用性、准确性负责
4、搜索结果中的广告及推广内容不代表本站推荐或担保
5、所有内容获取/呈现均通过自动化程序完成，无人工干预
下载提示