文件清单 87 项

• 100丨WikiSQL任务简介.mp4
• 101丨ASDL和AST.mp4
• 102丨Tranx简介.mp4
• 103丨LambdaCaculus概述.mp4
• 104丨Lambda-DCS概述.mp4
• 105丨InductiveLogicProgramming:基本设定.mp4
• 107丨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?.mp4
• 108丨最短路问题和DijkstraAlgorithm.mp4
• 109丨Q-learning:如何进行Q-learning算法的推导?.mp4

展开全部 87 项

• 110丨Rainbow:如何改进Q-learning算法?.mp4
• 111丨PolicyGradient:如何进行PolicyGradient的基本推导?.mp4
• 112丨A2C和A3C:如何提升基本的PolicyGradient算法.mp4
• 113丨Gumbel-trick:如何将离散的优化改变为连续的优化问题?.mp4
• 114丨MCTS简介:如何将“推理”引入到强化学习框架中.mp4
• 115DirectPolictyGradient:基本设定及Gumbel-trick的使用116DirectPolictyGradient:轨迹生成方法.mp4
• 118丨AutoML网络架构举例.mp4
• 119丨RENAS:如何使用遗传算法和增强学习探索网络架构.mp4
• 121丨层次搜索法:如何在模块之间进行搜索?.mp4
• 122丨LeNAS:如何搜索搜索space.mp4
• 123丨超参数搜索:如何寻找算法的超参数.mp4
• 124丨Learning to optimize:是否可以让机器学到一个新的优化器.mp4
• 125丨遗传算法和增强学习的结合.mp4
• 126丨使用增强学习改进组合优化的算法.mp4
• 127丨多代理增强学习概述:什么是多代理增强学习?.mp4
• 128丨AlphaStar介绍:AlphaStar中采取了哪些技术?.mp4
• 129丨IMPALA:多Agent的Actor-Critic算法.mp4
• 130丨COMAAgent之间的交流.mp4
• 131丨多模态表示学习简介.mp4
• 01丨课程介绍.mp4
• 02丨内容综述.mp4
• 03丨AI概览:宣传片外的人工智能.mp4
• 05丨NLP领域简介:NLP基本任务及研究方向.mp4
• 06丨NLP应用:智能问答系统.mp4
• 07丨NLP应用:文本校对系统.mp4
• 08丨NLP的学习方法:如何在AI爆炸时代快速上手学习?.mp4
• 09深度学习框架:选择合适的深度学习框架?10深度学习与硬件:CPU.mp4
• 11丨深度学习与硬件:GPU.mp4
• 12丨深度学习与硬件:TPU.mp4
• 16丨统计学基础:随机性是如何改变数据拟合的本质的?.mp4
• 17丨神经网络基础:神经网络还是复合函数.mp4
• 18丨神经网络基础:训练神经网络.mp4
• 19丨神经网络基础:神经网络的基础构成.mp4
• 20丨Embedding简介.mp4
• 21丨RNN简介:马尔可夫过程和隐马尔可夫过程.mp4
• 22丨RNN简介:RNN和LSTM.mp4
• 23丨CNN:卷积神经网络是什么?.mp4
• 24丨环境部署:如何构建简单的深度学习环境?.mp4
• 25丨PyTorch简介:Tensor和相关运算.mp4
• 26丨PyTorch简介:如何构造Dataset和DataLoader?.mp4
• 27丨PyTorch简介:如何构造神经网络?.mp4
• 28丨文本分类实践:如何进行简单的文本分类?.mp4
• 29丨文本分类实践的评价:如何提升进一步的分类效果?.mp4
• 30丨经典的数据挖掘方法:数据驱动型开发早期的努力.mp4
• 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
• 51丨健康检查:与Liveness,Readiness,Startup探测集成实现高可用.mp4
• 52丨神经网络的构建:NetworkinNetwork.mp4
• 53丨神经网络的构建:GatingMechanism和Attention.mp4
• 54丨神经网络的构建:Memory.mp4
• 55丨神经网络的构建:ActivationFunction.mp4
• 56丨神经网络的构建:Normalization.mp4
• 57丨神经网络的训练:初始化.mp4
• 58丨神经网络的训练:学习率和Warm-up.mp4
• 59丨神经网络的训练:新的PyTorch训练框架.mp4
• 60丨Transformer:如何通过Transformer榨取重要变量?.mp4
• 61丨Transformer代码实现剖析.mp4
• 62丨xDeepFM:如何用神经网络处理高维的特征?.mp4
• 63丨xDeepFM的代码解析.mp4
• 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
• 65丨图嵌入:如何将图关系纳入模型?.mp4
• 66丨图网络简介:如何在图结构的基础上建立神经网络?.mp4
• 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
• 68丨高级模型融合技巧:Metades是什么?.mp4
• 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
• 70重新审视Word Embedding:Negative Sampling和Contextual Embedding71深度迁移学习模型:从ELMo到BERT.mp4
• 72丨深度迁移学习模型:RoBERTa,XLNet,ERNIE和T5.mp4
• 73丨深度迁移学习模型:ALBERT和ELECTRA.mp4
• 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
• 75丨深度迁移学习模型的微调:TensorFlowBERT代码简析.mp4
• 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
• 77丨优化器:Adam和AdamW.mp4
• 78丨优化器:Lookahead,Radam和Lamb.mp4
• 79丨多重loss的方式:如何使用多重loss来提高模型准确率?.mp4
• 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
• 81丨UDA:一种系统的数据扩充框架.mp4
• 极客时间-NLP 实战高手课/
• 01-50/
• 51-99/