NLP实战高手课 - 王然编程与开发技术教程

NLP实战高手课 / 全方位提升你的NLP实战技能

王然 众微科技AI Lab技术负责人、阿姆斯特丹大学数学和计量经济学双硕士
📅 更新时间:
🔥 热门推荐
  • 📖 课程目录
  • 📝 课程介绍
  • 06 | NLP应用:智能问答系统

  • 07 | NLP应用:文本校对系统

  • 08 | NLP的学习方法:如何在AI爆炸时代快速上手学习?

  • 09 | 深度学习框架简介:如何选择合适的深度学习框架?

  • 10 | 深度学习与硬件:CPU

  • 11 | 深度学习与硬件:GPU

  • 12 | 深度学习与硬件:TPU

  • 13 | AI项目部署:基本原则

  • 14 | AI项目部署:框架选择

  • 15 | AI项目部署:微服务简介

  • 16 | 统计学基础:随机性是如何改变数据拟合的本质的?

  • 17 | 神经网络基础:神经网络还是复合函数

  • 18 | 神经网络基础:训练神经网络

  • 19 | 神经网络基础:神经网络的基础构成

  • 20 | Embedding简介:为什么Embedding更适合编码文本特征?

  • 21 | RNN简介:马尔可夫过程和隐马尔可夫过程

  • 22 | RNN简介:RNN和LSTM

  • 23 | CNN:卷积神经网络是什么?

  • 24 | 环境部署:如何构建简单的深度学习环境?

  • 25 | PyTorch简介:Tensor和相关运算

  • 26 | PyTorch简介:如何构造Dataset和DataLoader?

  • 27 | PyTorch简介:如何构造神经网络?

  • 28 | 文本分类实践:如何进行简单的文本分类?

  • 29 | 文本分类实践的评价:如何提升进一步的分类效果?

  • 30 | 经典的数据挖掘方法:数据驱动型开发早期的努力

  • 31 | 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?

  • 32 | Pandas简介:如何使用Pandas对数据进行处理?

  • 33 | Matplotlib简介:如何进行简单的可视化分析?

  • 34 | 半自动特征构建方法:Target Mean Encoding

  • 35 | 半自动特征构建方法:Categorical Encoder

  • 36 | 半自动特征构建方法:连续变量的离散化

  • 37 | 半自动特征构建方法:Entity Embedding

  • 38 | 半自动构建方法:Entity Embedding的实现

  • 39 | 半自动特征构建方法:连续变量的转换

  • 40 | 半自动特征构建方法:缺失变量和异常值的处理

  • 41 | 自动特征构建方法:Symbolic learning和AutoCross简介

  • 42 | 降维方法:PCA、NMF 和 tSNE

  • 43 | 降维方法:Denoising Auto Encoders

  • 44 | 降维方法:Variational Auto Encoder

  • 45 | 变量选择方法

  • 46 | 集成树模型:如何提升决策树的效果

  • 47 | 集成树模型:GBDT和XgBoost的数学表达

  • 48 | 集成树模型:LightGBM简介

  • 49 | 集成树模型:CatBoost和NGBoost简介

  • 50 | 神经网络建模:如何让神经网络实现你的数据挖掘需求

  • 51 | 神经网络的构建:Residual Connection和Dense Connection

  • 52 | 神经网络的构建:Network in Network

  • 53 | 神经网络的构建:Gating Mechanism和Attention

  • 54 | 神经网络的构建:Memory

  • 55 | 神经网络的构建:Activation Function

  • 56 | 神经网络的构建:Normalization

  • 57 | 神经网络的训练:初始化

  • 58 | 神经网络的训练:学习率和Warm-up

  • 59 | 神经网络的训练:新的PyTorch训练框架

  • 60 | Transformer:如何通过Transformer榨取重要变量?

  • 61 | Transformer代码实现剖析

  • 62 | xDeepFM:如何用神经网络处理高维的特征?

  • 63 | xDeepFM的代码解析

  • 64 | 时序建模:如何用神经网络解决时间序列的预测问题?

  • 65 | 图嵌入:如何将图关系纳入模型?

  • 66 | 图网络简介:如何在图结构的基础上建立神经网络?

  • 67 | 模型融合基础:如何让你所学到的模型方法一起发挥作用?

  • 68 | 高级模型融合技巧:Metades是什么?

  • 69 | 挖掘自然语言中的人工特征:如何用传统的特征解决问题?

  • 70 | 重新审视Word Embedding:Negative Sampling和Contextual Embedding

  • 71 | 深度迁移学习模型:从ELMo到BERT

  • 72 | 深度迁移学习模型:RoBERTa、XLNet、ERNIE和T5

  • 73 | 深度迁移学习模型:ALBERT和ELECTRA

  • 74 | 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

  • 75 | 深度迁移学习模型的微调:TensorFlow BERT代码简析

  • 76 | 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

  • 77 | 优化器:Adam和AdamW

  • 78 | 优化器:Lookahead,Radam和Lamb

  • 79 | 多重loss的方式:如何使用多重loss来提高模型准确率?

  • 80 | 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?

  • 81 | UDA:一种系统的数据扩充框架

  • 82 | Label Smoothing和Logit Squeezing

  • 83 | 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?

  • 84 | 上层模型拼接:如何在语言模型基础上拼接更多的模型?

  • 85 | 长文本分类:截取、关键词拼接和预测平均

  • 86 | Virtual Adverserial Training: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?

  • 87 | 其他Embedding的训练:还有哪些Embedding方法?

  • 88 | 训练预语言模型

  • 89 | 多任务训练:如何利用多任务训练来提升效果?

  • 90 | Domain Adaptation:如何利用其它有标注语料来提升效果?

  • 91 | Few-shot Learning:是否有更好的利用不同任务的方法?

  • 92 | 半监督学习:如何让没有标注的数据也派上用场?

  • 93 | 依存分析和Semantic Parsing概述

  • 94 | 依存分析和Universal Depdency Relattions

  • 95 | 如何在Stanza中实现Dependency Parsing

  • 96 | Shift Reduce算法

  • 97 | 基于神经网络的依存分析算法

  • 98 | 树神经网络:如何采用Tree LSTM和其它拓展方法?

  • 99 | Semantic Parsing基础:Semantic Parsing的任务是什么?

  • 100 | WikiSQL任务简介

  • 101 | ASDL和AST

  • 102 | Tranx简介

  • 103 | Lambda Caculus概述

  • 104 | Lambda-DCS概述

  • 105 | Inductive Logic Programming:基本设定

  • 106 | Inductive Logic Programming:一个可微的实现

  • 107 | 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?

  • 108 | 最短路问题和Dijkstra Algorithm

  • 109 | Q-learning:如何进行Q-learning算法的推导?

  • 110 | Rainbow:如何改进Q-learning算法?

  • 111 | Policy Gradient:如何进行Policy Gradient的基本推导?

  • 112 | A2C和A3C:如何提升基本的Policy Gradient算法

  • 113 | Gumbel-trick:如何将离散的优化改变为连续的优化问题?

  • 114 | MCTS简介:如何将“推理”引入到强化学习框架中

  • 115 | Direct Policty Gradient:基本设定及Gumbel-trick的使用

  • 116 | Direct Policty Gradient:轨迹生成方法

  • 117 | AutoML及Neural Architecture Search简介

  • 118 | AutoML网络架构举例

  • 119 | RENAS:如何使用遗传算法和增强学习探索网络架构

  • 120 | Differentiable Search:如何将NAS变为可微的问题

  • 121 | 层次搜索法:如何在模块之间进行搜索?

  • 122 | LeNAS:如何搜索搜索space

  • 123 | 超参数搜索:如何寻找算法的超参数

  • 124 | Learning to optimize:是否可以让机器学到一个新的优化器

  • 125 | 遗传算法和增强学习的结合

  • 126 | 使用增强学习改进组合优化的算法

  • 127 | 多代理增强学习概述:什么是多代理增强学习?

  • 128 | AlphaStar介绍:AlphaStar中采取了哪些技术?

  • 129 | IMPALA:多Agent的Actor-Critic算法

  • 130 | COMA:Agent之间的交流

  • 131 | 多模态表示学习简介

  • 132 | 知识蒸馏:如何加速神经网络推理

  • 133 | DeepGBM:如何用神经网络捕捉集成树模型的知识

  • 134 | 文本推荐系统和增强学习

  • 135 | RL训练方法集锦:简介

  • 136 | RL训练方法:RL实验的注意事项

  • 137 | PPO算法

  • 138 | Reward设计的一般原则

  • 139 | 解决Sparse Reward的一些方法

  • 140 | Imitation Learning和Self-imitation Learning

  • 141 | 增强学习中的探索问题

  • 142 | Model-based Reinforcement Learning

  • 143 | Transfer Reinforcement Learning和Few-shot Reinforcement Learning

  • 144 | Quora问题等价性案例学习:预处理和人工特征

  • 145 | Quora问题等价性案例学习:深度学习模型

  • 146 | 文本校对案例学习

  • 147 | 微服务和Kubernetes简介

  • 148 | Docker简介

  • 149 | Docker部署实践

  • 150 | Kubernetes基本概念

  • 151 | Kubernetes部署实践

  • 152 | Kubernetes自动扩容

  • 153 | Kubernetes服务发现

  • 154 | Kubernetes Ingress

  • 155 | Kubernetes健康检查

  • 156 | Kubernetes灰度上线

  • 157 | Kubernetes Stateful Sets

  • 158 | Istio简介:Istio包含哪些功能?

  • 159 | Istio实例和Circuit Breaker

  • 160 | 结束语

📋 课程详细介绍

你将获得 高效挖掘表格化数据的技巧 四种经典 NLP 任务的解决方案 NLP 竞赛和实战中的黑科技 从开发到部署的一整套落地经验 讲师介绍 课程介绍 NLP (全称Natural Language...

你将获得

  1. 高效挖掘表格化数据的技巧
  2. 四种经典 NLP 任务的解决方案
  3. NLP 竞赛和实战中的黑科技
  4. 从开发到部署的一整套落地经验

讲师介绍


课程介绍

NLP (全称Natural Language Processing,即自然语言处理) 被誉为“人工智能皇冠上的明珠”,它在电商、翻译、金融、智能硬件、医疗等各个行业已经有了越来越广泛的应用。

很多人认为,NLP 已经迎来了属于它的黄金时代。相应的,各个企业对 NLP 工程师的需求也越来越多。

但是,如果想成为一个 NLP 领域的高手,仅仅会调用几个开源框架,调一调参数,显然是不够的。由于 NLP 本身的复杂性,仅仅停留在对一些技术领域的浅层理解或者跟着论文照做,你很难在实际工作中取得理想的效果。

因此,本课程在内容设计上,将打破常规,打造一门有理论深度同时兼具实战性的课程。我们希望通过这个课程,让你对 NLP 领域的相关技术和解决方案有一个更系统和深入的了解,最终让你能够独立完成一个 NLP 项目的开发、部署全流程,并掌握进一步的自我学习和独立解决问题的能力。


课程目录


618 狂欢 | 课程专属口令

全场专栏、视频课,使用口令「618gogogo
立享 7 折优惠 !!

*此优惠不与会员折扣同享


特别放送

免费领取福利


限时活动推荐


订阅须知

💡 学习建议

  • 建议按照课程目录顺序学习,循序渐进掌握知识点
  • 每个章节配合实战练习,巩固所学内容
  • 遇到问题可在评论区交流,社区互助学习
  • 完成课程后尝试独立项目,检验学习成果

❓ 常见问题 FAQ

这个教程适合什么水平的学习者?

本教程从基础概念讲起,逐步深入到高级应用,适合零基础初学者到有一定经验的开发者。无论您是刚入门还是想提升技能,都能从中受益。

学习这个教程需要多长时间?

根据个人基础和每天学习时间不同,通常需要2-4周可以完成基础部分,深入掌握需要1-2个月的持续学习和实践。建议每天投入1-2小时系统学习。

学完后能达到什么水平?

完成本教程后,您将掌握编程与开发的核心技术和最佳实践,能够独立开发实际项目,具备中级开发工程师的技术能力,为求职或晋升打下坚实基础。