- 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
- 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 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
