【极客时间-100046401】NLP 实战高手课 - 爱网盘 - 网盘资源搜索，网盘搜索神器，夸克网盘云盘下载

• file:140丨ImitationLearning和Self-imitationLearning.mp4
• file:142丨Model-basedReinforcementLearning.mp4
• file:155丨Kubernetes健康检查.mp4
• file:132丨知识蒸馏：如何加速神经网络推理.mp4
• file:143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
• file:158丨Istio简介：Istio包含哪些功能？.mp4
• file:101丨ASDL和AST.mp4
• file:146丨文本校对案例学习.mp4
• file:130丨COMAAgent之间的交流.mp4
• file:111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4
• file:104丨Lambda-DCS概述.mp4
• file:149丨Docker部署实践.mp4
• file:145丨Quora问题等价性案例学习：深度学习模型.mp4
• file:159丨Istio实例和Circuit Breaker.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:125丨遗传算法和增强学习的结合.mp4
• file:109丨Q-learning：如何进行Q-learning算法的推导？.mp4
• file:137丨PPO算法.mp4
• file:100丨WikiSQL任务简介.mp4
• file:117丨AutoML及NeuralArchitectureSearch简介.mp4
• file:133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4
• file:141丨增强学习中的探索问题.mp4
• file:157丨Kubernetes Stateful Sets.mp4
• file:128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4
• file:108丨最短路问题和DijkstraAlgorithm.mp4
• file:118丨AutoML网络架构举例.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:138丨Reward设计的一般原则.mp4
• file:135丨RL训练方法集锦：简介.mp4
• file:102丨Tranx简介.mp4
• file:120丨DifferentiableSearch：如何将NAS变为可微的问题.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:105丨InductiveLogicProgramming：基本设定.mp4
• file:139丨解决SparseReward的一些方法.mp4
• file:112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4
• file:95丨Stanza使用.mp4
• file:96丨ShiftReduce算法.mp4
• file:91丨Few-shotLearning：是否有更好的利用不同任务的方法？.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:85丨长文本分类：截取、关键词拼接和预测平均.mp4
• file:78丨优化器：Lookahead，Radam和Lamb.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:51丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用.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:88丨训练预语言模型.mp4
• file:81丨UDA：一种系统的数据扩充框架.mp4
• file:87丨其他Embedding的训练：还有哪些Embedding方法？.mp4
• file:82丨LabelSmoothing和LogitSqueezing.mp4
• file:77丨优化器：Adam和AdamW.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:93丨依存分析和SemanticParsing概述.mp4
• file:58丨神经网络的训练：学习率和Warm-up.mp4
• file:62丨xDeepFM：如何用神经网络处理高维的特征？.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:72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.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:94丨依存分析和UniversalDepdencyRelattions.mp4
• file:97丨基于神经网络的依存分析算法.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:52丨神经网络的构建：NetworkinNetwork.mp4
• file:68丨高级模型融合技巧：Metades是什么？.mp4
• file:90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.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: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: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: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:53丨神经网络的构建：GatingMechanism和Attention.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:60丨Transformer：如何通过Transformer榨取重要变量？.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:66丨图网络简介：如何在图结构的基础上建立神经网络？.mp4
• file:61丨Transformer代码实现剖析.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: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
• folder:【极客时间-100046401】NLP 实战高手课
• folder:51-99