极客时间-NLP 实战高手课 - 盘搜天堂 - 搜索网盘资源的天堂！

• file:127丨多代理增强学习概述：什么是多代理增强学习？.mp4
• file:143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
• file:152丨Kubernetes自动扩容.mp4
• file:108丨最短路问题和DijkstraAlgorithm.mp4
• file:129丨IMPALA：多Agent的Actor-Critic算法.mp4
• file:137丨PPO算法.mp4
• file:110丨Rainbow：如何改进Q-learning算法？.mp4
• file:131丨多模态表示学习简介.mp4
• file:146丨文本校对案例学习.mp4
• file:128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4
• file:118丨AutoML网络架构举例.mp4
• file:125丨遗传算法和增强学习的结合.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:148丨Docker简介.mp4
• file:120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4
• file:136丨RL训练方法RL实验的注意事项.mp4
• file:142丨Model-basedReinforcementLearning.mp4
• file:157丨Kubernetes Stateful Sets.mp4
• file:144丨Quora问题等价性案例学习：预处理和人工特征.mp4
• file:114丨MCTS简介：如何将“推理”引入到强化学习框架中.mp4
• file:133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4
• file:122丨LeNAS：如何搜索搜索space.mp4
• file:138丨Reward设计的一般原则.mp4
• file:100丨WikiSQL任务简介.mp4
• file:111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4
• file:35丨半自动特征构建方法：Categorical Encoder.mp4
• file:26丨PyTorch简介：如何构造Dataset和DataLoader？.mp4
• file:44丨降维方法：Variational Auto Encoder.mp4
• file:24丨环境部署：如何构建简单的深度学习环境？.mp4
• file:48丨集成树模型：LightGBM简介.mp4
• file:22丨RNN简介：RNN和LSTM.mp4
• file:23丨CNN：卷积神经网络是什么？.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:33丨Matplotlib 简介：如何进行简单的可视化分析？.mp4
• file:37丨半自动特征构建方法：Entity Embedding.mp4
• file:18丨神经网络基础：训练神经网络.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:20丨Embedding简介.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:27丨PyTorch简介：如何构造神经网络？.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:40丨半自动特征构建方法：缺失变量和异常值的处理.mp4
• file:12丨深度学习与硬件：TPU.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:03丨AI概览：宣传片外的人工智能.mp4
• file:14丨AI项目部署：框架选择.mp4
• file:01丨课程介绍.mp4
• file:42丨降维方法：PCA、NMF 和 tSNE.mp4
• file:06丨NLP应用：智能问答系统.mp4
• file:87丨其他Embedding的训练：还有哪些Embedding方法？.mp4
• file:75丨深度迁移学习模型的微调：TensorFlowBERT代码简析.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: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:72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.mp4
• file:54丨神经网络的构建：Memory.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: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:81丨UDA：一种系统的数据扩充框架.mp4
• file:99丨SemanticParsing基础：SemanticParsing的任务是什么？.mp4
• file:98丨树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4
• file:85丨长文本分类：截取、关键词拼接和预测平均.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: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:65丨图嵌入：如何将图关系纳入模型？.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:64丨时序建模：如何用神经网络解决时间序列的预测问题？.mp4
• file:82丨LabelSmoothing和LogitSqueezing.mp4
• file:97丨基于神经网络的依存分析算法.mp4
• file:96丨ShiftReduce算法.mp4
• file:90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4
• file:88丨训练预语言模型.mp4
• file:55丨神经网络的构建：ActivationFunction.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:78丨优化器：Lookahead，Radam和Lamb.mp4
• file:58丨神经网络的训练：学习率和Warm-up.mp4
• folder:极客时间-NLP 实战高手课
• folder:01-50