部分文件目录:
===============课程目录=============== ├─(1) 01丨课程介绍.mp4 ├─(2) 02丨内容综述.mp4 ├─(3) 03丨AI概览:宣传片外的人工智能.mp4 ├─(4) 04丨AI项目流程:从实验到落地.mp4 ├─(5) 05丨NLP领域简介:NLP基本任务及研究方向.mp4 ├─(6) 06丨NLP应用:智能问答系统.mp4 ├─(7) 07丨NLP应用:文本校对系统.mp4 ├─(8) 08丨NLP的学习方法:如何在AI爆炸时代快速上手学习?.mp4 ├─(9) 09丨深度学习框架:选择合适的深度学习框架?10丨深度学习与硬件:CPU.mp4 ├─(10) 100丨WikiSQL任务简介.mp4 ├─(11) 101丨ASDL和AST.mp4 ├─(12) 102丨Tranx简介.mp4 ├─(13) 103丨LambdaCaculus概述.mp4 ├─(14) 104丨Lambda-DCS概述.mp4 ├─(15) 105丨InductiveLogicProgramming:基本设定.mp4 ├─(16) 106丨InductiveLogicProgramming:一个可微的实现.mp4 ├─(17) 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 ├─(18) 108丨最短路问题和DijkstraAlgorithm.mp4 ├─(19) 109丨Q-learning:如何进行Q-learning算法的推导?.mp4 ├─(20) 110丨Rainbow:如何改进Q-learning算法?.mp4 ├─(21) 111丨PolicyGradient:如何进行PolicyGradient的基本推导?.mp4 ├─(22) 112丨A2C和A3C:如何提升基本的PolicyGradient算法.mp4 ├─(23) 113丨Gumbel-trick:如何将离散的优化改变为连续的优化问题?.mp4 ├─(24) 114丨MCTS简介:如何将“推理”引入到强化学习框架中.mp4 ├─(25) 115丨DirectPolictyGradient:基本设定及Gumbel-trick的使用116丨DirectPolictyGradient:轨迹生成方法.mp4 ├─(26) 117丨AutoML及NeuralArchitectureSearch简介.mp4 ├─(27) 118丨AutoML网络架构举例.mp4 ├─(28) 119丨RENAS:如何使用遗传算法和增强学习探索网络架构.mp4 ├─(29) 11丨深度学习与硬件:GPU.mp4 ├─(30) 120丨DifferentiableSearch:如何将NAS变为可微的问题.mp4 ├─(31) 121丨层次搜索法:如何在模块之间进行搜索?.mp4 ├─(32) 122丨LeNAS:如何搜索搜索space.mp4 ├─(33) 123丨超参数搜索:如何寻找算法的超参数.mp4 ├─(34) 124丨Learning to optimize:是否可以让机器学到一个新的优化器.mp4 ├─(35) 125丨遗传算法和增强学习的结合.mp4 ├─(36) 126丨使用增强学习改进组合优化的算法.mp4 ├─(37) 127丨多代理增强学习概述:什么是多代理增强学习?.mp4 ├─(38) 128丨AlphaStar介绍:AlphaStar中采取了哪些技术?.mp4 ├─(39) 129丨IMPALA:多Agent的Actor-Critic算法.mp4 ├─(40) 12丨深度学习与硬件:TPU.mp4 ├─(41) 130丨COMAAgent之间的交流.mp4 ├─(42) 131丨多模态表示学习简介.mp4 ├─(43) 132丨知识蒸馏:如何加速神经网络推理.mp4 ├─(44) 133丨DeepGBM:如何用神经网络捕捉集成树模型的知识.mp4 ├─(45) 134丨文本推荐系统和增强学习.mp4 ├─(46) 135丨RL训练方法集锦:简介.mp4 ├─(47) 136丨RL训练方法RL实验的注意事项.mp4 ├─(48) 137丨PPO算法.mp4 ├─(49) 138丨Reward设计的一般原则.mp4 ├─(50) 139丨解决SparseReward的一些方法.mp4 ├─(51) 13丨AI项目部署:基本原则.mp4 ├─(52) 140丨ImitationLearning和Self-imitationLearning.mp4 ├─(53) 141丨增强学习中的探索问题.mp4 ├─(54) 142丨Model-basedReinforcementLearning.mp4 ├─(55) 143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4 ├─(56) 144丨Quora问题等价性案例学习:预处理和人工特征.mp4 ├─(57) 145丨Quora问题等价性案例学习:深度学习模型.mp4 ├─(58) 146丨文本校对案例学习.mp4 ├─(59) 147丨微服务和Kubernetes简介.mp4 ├─(60) 148丨Docker简介.mp4 ├─(61) 149丨Docker部署实践.mp4 ├─(62) 14丨AI项目部署:框架选择.mp4 ├─(63) 150丨Kubernetes基本概念.mp4 ├─(64) 151丨Kubernetes部署实践.mp4 ├─(65) 152丨Kubernetes自动扩容.mp4 ├─(66) 153丨Kubernetes服务发现.mp4 ├─(67) 154丨Kubernetes Ingress.mp4 ├─(68) 155丨Kubernetes健康检查.mp4 ├─(69) 156丨Kubernetes灰度上线.mp4 ├─(70) 157丨Kubernetes Stateful Sets.mp4 ├─(71) 158丨Istio简介:Istio包含哪些功能?.mp4 ├─(72) 159丨Istio实例和Circuit Breaker.mp4 ├─(73) 15丨AI项目部署:微服务简介.mp4 ├─(74) 160丨结束语.mp4 ├─(75) 16丨统计学基础:随机性是如何改变数据拟合的本质的?.mp4 ├─(76) 17丨神经网络基础:神经网络还是复合函数.mp4 ├─(77) 18丨神经网络基础:训练神经网络.mp4 ├─(78) 19丨神经网络基础:神经网络的基础构成.mp4 ├─(79) 20丨Embedding简介.mp4 ├─(80) 21丨RNN简介:马尔可夫过程和隐马尔可夫过程.mp4 ├─(81) 22丨RNN简介:RNN和LSTM.mp4 ├─(82) 23丨CNN:卷积神经网络是什么?.mp4 ├─(83) 24丨环境部署:如何构建简单的深度学习环境?.mp4 ├─(84) 25丨PyTorch简介:Tensor和相关运算.mp4 ├─(85) 26丨PyTorch简介:如何构造Dataset和DataLoader?.mp4 ├─(86) 27丨PyTorch简介:如何构造神经网络?.mp4 ├─(87) 28丨文本分类实践:如何进行简单的文本分类?.mp4 ├─(88) 29丨文本分类实践的评价:如何提升进一步的分类效果?.mp4 ├─(89) 30丨经典的数据挖掘方法:数据驱动型开发早期的努力.mp4 ├─(90) 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 ├─(91) 32丨Pandas 简介:如何使用Pandas对数据进行处理?.mp4 ├─(92) 33丨Matplotlib 简介:如何进行简单的可视化分析?.mp4 ├─(93) 34丨半自动特征构建方法:Target Mean Encoding.mp4 ├─(94) 35丨半自动特征构建方法:Categorical Encoder.mp4 ├─(95) 36丨半自动特征构建方法:连续变量的离散化.mp4 ├─(96) 37丨半自动特征构建方法:Entity Embedding.mp4 ├─(97) 38丨半自动构建方法:Entity Embedding的实现.mp4 ├─(98) 39丨半自动特征构建方法:连续变量的转换.mp4 ├─(99) 40丨半自动特征构建方法:缺失变量和异常值的处理.mp4 ├─(100) 41丨自动特征构建方法:Symbolic learning和AutoCross简介.mp4 ├─(101) 42丨降维方法:PCA、NMF 和 tSNE.mp4 ├─(102) 43丨降维方法:Denoising Auto Encoders.mp4 ├─(103) 44丨降维方法:Variational Auto Encoder.mp4 ├─(104) 45丨变量选择方法.mp4 ├─(105) 46丨集成树模型:如何提升决策树的效果47丨集成树模型:GBDT和XgBoost的数学表达.mp4 ├─(106) 48丨集成树模型:LightGBM简介.mp4 ├─(107) 49丨集成树模型:CatBoost和NGBoost简介.mp4 ├─(108) 50丨神经网络建模:如何让神经网络实现你的数据挖掘需求 51丨神经网络的构建:ResidualConnection和DenseConnection.mp4 ├─(109) 51丨健康检查:与Liveness、Readiness、Startup探测集成实现高可用.mp4 ├─(110) 52丨神经网络的构建:NetworkinNetwork.mp4 ├─(111) 53丨神经网络的构建:GatingMechanism和Attention.mp4 ├─(112) 54丨神经网络的构建:Memory.mp4 ├─(113) 55丨神经网络的构建:ActivationFunction.mp4 ├─(114) 56丨神经网络的构建:Normalization.mp4 ├─(115) 57丨神经网络的训练:初始化.mp4 ├─(116) 58丨神经网络的训练:学习率和Warm-up.mp4 ├─(117) 59丨神经网络的训练:新的PyTorch训练框架.mp4 ├─(118) 60丨Transformer:如何通过Transformer榨取重要变量?.mp4 ├─(119) 61丨Transformer代码实现剖析.mp4 ├─(120) 62丨xDeepFM:如何用神经网络处理高维的特征?.mp4 ├─(121) 63丨xDeepFM的代码解析.mp4 ├─(122) 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 ├─(123) 65丨图嵌入:如何将图关系纳入模型?.mp4 ├─(124) 66丨图网络简介:如何在图结构的基础上建立神经网络?.mp4 ├─(125) 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 ├─(126) 68丨高级模型融合技巧:Metades是什么?.mp4 ├─(127) 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 ├─(128) 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 ├─(129) 72丨深度迁移学习模型:RoBERTa、XLNet、ERNIE和T5.mp4 ├─(130) 73丨深度迁移学习模型:ALBERT和ELECTRA.mp4 ├─(131) 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 ├─(132) 75丨深度迁移学习模型的微调:TensorFlowBERT代码简析.mp4 ├─(133) 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 ├─(134) 77丨优化器:Adam和AdamW.mp4 ├─(135) 78丨优化器:Lookahead,Radam和Lamb.mp4 ├─(136) 79丨多重loss的方式:如何使用多重loss来提高模型准确率?.mp4 ├─(137) 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 ├─(138) 81丨UDA:一种系统的数据扩充框架.mp4 ├─(139) 82丨LabelSmoothing和LogitSqueezing.mp4 ├─(140) 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 ├─(141) 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 ├─(142) 85丨长文本分类:截取、关键词拼接和预测平均.mp4 ├─(143) 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 ├─(144) 87丨其他Embedding的训练:还有哪些Embedding方法?.mp4 ├─(145) 88丨训练预语言模型.mp4 ├─(146) 89丨多任务训练:如何利用多任务训练来提升效果?.mp4 ├─(147) 90丨DomainAdaptation:如何利用其它有标注语料来提升效果?.mp4 ├─(148) 91丨Few-shotLearning:是否有更好的利用不同任务的方法?.mp4 ├─(149) 92丨半监督学习:如何让没有标注的数据也派上用场?.mp4 ├─(150) 93丨依存分析和SemanticParsing概述.mp4 ├─(151) 94丨依存分析和UniversalDepdencyRelattions.mp4 ├─(152) 95丨Stanza使用.mp4 ├─(153) 96丨ShiftReduce算法.mp4 ├─(154) 97丨基于神经网络的依存分析算法.mp4 ├─(155) 98丨树神经网络:如何采用TreeLSTM和其它拓展方法?.mp4 ├─(156) 99丨SemanticParsing基础:SemanticParsing的任务是什么?.mp4