课程清单 百度云网盘下载

1-99

• 01-课程介绍.mp4
• 02-内容综述.mp4
• 03-AI概览：宣传片外的人工智能.mp4
• 04-AI项目流程：从实验到落地.mp4
• 05-NLP领域简介：NLP基本任务及研究方向.mp4
• 06-NLP应用：智能问答系统.mp4
• 07-NLP应用：文本校对系统.mp4
• 08-NLP的学习方法：如何在AI爆炸时代快速上手学习？.mp4
• 09-深度学习框架简介：如何选择合适的深度学习框架？.mp4
• 10-深度学习与硬件：CPU.mp4
• 11-深度学习与硬件：GPU.mp4
• 12-深度学习与硬件：TPU.mp4
• 13-AI项目部署：基本原则.mp4
• 14-AI项目部署：框架选择.mp4
• 15-AI项目部署：微服务简介.mp4
• 16-统计学基础：随机性是如何改变数据拟合的本质的？.mp4
• 17-神经网络基础：神经网络还是复合函数.mp4
• 18-神经网络基础：训练神经网络.mp4
• 19-神经网络基础：神经网络的基础构成.mp4
• 20-Embedding简介.mp4
• 21-RNN简介：马尔可夫过程和隐马尔可夫过程.mp4
• 22-RNN简介：RNN和LSTM.mp4
• 23-CNN：卷积神经网络是什么？.mp4
• 24-简单文本分类实践：手把手教你实现简单的文本分类.mp4
• 25-PyTorch简介：Tensor和相关运算.mp4
• 26-PyTorch简介：如何构造Dataset和Dataloader？.mp4
• 27-PyTorch简介：如何构造神经网络？.mp4
• 28-文本分类实践：如何进行简单的文本分类？.mp4
• 29-文本分类实践的评价：如何提升进一步的分类效果？.mp4
• 30-经典的数据挖掘方法：数据驱动型开发早期的努力.mp4
• 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？.mp4
• 32-Pandas简介：如何使用Pandas对数据进行处理？.mp4
• 33-Matplotlib简介：如何进行简单的可视化分析？.mp4
• 34-半自动特征构建方法：TargetMeanEncoding.mp4
• 35-半自动特征构建方法：CategoricalEncoder.mp4
• 36-半自动特征构建方法：连续变量的离散化.mp4
• 37-半自动特征构建方法：EntityEmbedding.mp4
• 38-半自动构建方法Entity-Embedding的实现.mp4
• 39-半自动特征构建方法连续变量的转换.mp4
• 40-半自动特征构建方法缺失变量和异常值的处理.mp4
• 41-自动特征构建方法Symbolic-learning和AutoCross简介.mp4
• 42-降维方法PCA、NMF和tSNE.mp4
• 43-降维方法DenoisingAutoEncoders.mp4
• 44-降维方法VariationalAutoEncoder.mp4
• 45-变量选择方法.mp4
• 46-集成树模型如何提升决策树的效果.mp4
• 47-集成树模型GBDT和XgBoost的数学表达.mp4
• 48-集成树模型LightGBM简介.mp4
• 49-集成树模型CatBoost和NGBoost简介.mp4
• 50-神经网络建模如何让神经网络实现你的数据挖掘需求.mp4
• 51-神经网络的构建ResidualConnection和DenseConnection.mp4
• 52-神经网络的构建NetworkinNetwork.mp4
• 53-神经网络的构建GatingMechanism和Attention.mp4
• 54-神经网络的构建Memory.mp4
• 55-神经网络的构建ActivationFunction.mp4
• 56-神经网络的构建Normalization.mp4
• 57-神经网络的训练初始化.mp4
• 58-神经网络的训练学习率和Warm-up.mp4
• 59-神经网络的训练新的PyTorch训练框架.mp4
• 60-Transformer如何通过Transformer榨取重要变量？.mp4
• 61-Transformer代码实现剖析.mp4
• 62-xDeepFM如何用神经网络处理高维的特征？.mp4
• 63-xDeepFM的代码解析.mp4
• 64-时序建模如何用神经网络解决时间序列的预测问题？.mp4
• 65-图嵌入如何将图关系纳入模型？.mp4
• 66-图网络简介如何在图结构的基础上建立神经网络？.mp4
• 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？.mp4
• 68-高级模型融合技巧Metades是什么？.mp4
• 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？.mp4
• 70-重新审视WordEmbeddingNegativeSampling和ContextualEmbedding.mp4
• 71-深度迁移学习模型从ELMo到BERT.mp4
• 72-深度迁移学习模型RoBERTa、XLNet、ERNIE和T5.mp4
• 73-深度迁移学习模型ALBERT和ELECTRA.mp4
• 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.mp4
• 75-深度迁移学习模型的微调TensorFlowBERT代码简析.mp4
• 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.mp4
• 77-优化器Adam和AdamW.mp4
• 78-优化器Lookahead，Radam和Lamb.mp4
• 79-多重loss的方式如何使用多重loss来提高模型准确率？.mp4
• 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？.mp4
• 81-UDA一种系统的数据扩充框架.mp4
• 82-LabelSmoothing和LogitSqueezing.mp4
• 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？.mp4
• 84-上层模型拼接如何在语言模型基础上拼接更多的模型？.mp4
• 85-长文本分类截取、关键词拼接和预测平均.mp4
• 86-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
• 87-其他Embedding的训练还有哪些Embedding方法？.mp4
• 88-训练预语言模型.mp4
• 89-多任务训练：如何利用多任务训练来提升效果？.mp4
• 90-DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4
• 91-Few-shotLearning：是否有更好的利用不同任务的方法？.mp4
• 92-半监督学习：如何让没有标注的数据也派上用场？.mp4
• 93-依存分析和SemanticParsing概述.mp4
• 94-依存分析和UniversalDepdencyRelattions.mp4
• 95-Stanza使用.mp4
• 96-ShiftReduce算法.mp4
• 97-基于神经网络的依存分析算法.mp4
• 98-树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4
• 99-SemanticParsing基础：SemanticParsing的任务是什么？.mp4

100-WikiSQL任务简介.mp4

101-ASDL和AST.mp4

102-Tranx简介.mp4

103-LambdaCaculus概述(1).mp4

103-LambdaCaculus概述.mp4

104-Lambda-DCS概述.mp4

105-InductiveLogicProgramming：基本设定.mp4

106-InductiveLogicProgramming：一个可微的实现.mp4

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？.mp4

108-最短路问题和DijkstraAlgorithm.mp4

109-Q-learning：如何进行Q-learning算法的推导？(1).mp4

109-Q-learning：如何进行Q-learning算法的推导？.mp4

110-Rainbow：如何改进Q-learning算法？(1).mp4

110-Rainbow：如何改进Q-learning算法？.mp4

111-PolicyGradient：如何进行PolicyGradient的基本推导？(1).mp4

111-PolicyGradient：如何进行PolicyGradient的基本推导？.mp4

112-A2C和A3C：如何提升基本的PolicyGradient算法(1).mp4

112-A2C和A3C：如何提升基本的PolicyGradient算法.mp4

113-Gumbel-trick：如何将离散的优化改变为连续的优化问题？(1).mp4

113-Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4

课程资料地址.txt