NLP (Naturalal全称 Language Processing,即自然语言处理) 被誉为“人工智能皇冠上的明珠”,在电子商务、翻译、金融、智能硬件、医疗等行业得到了越来越广泛的应用。
许多人认为,NLP 它已经迎来了黄金时代。相应地,各企业对 NLP 对工程师的需求也越来越大。
但是,如果你想成为一个人, NLP 只调用几个开源框架,调整参数,显然是不够的。因为 NLP 你自身的复杂性只停留在对某些技术领域的浅层理解或跟随论文,在实际工作中很难取得理想的效果。
因此,本课程将打破内容设计中的常规,创建理论深度和实践课程。我们希望通过这门课程,你能对待它 NLP 对该领域的相关技术和解决方案有更系统、更深入的了解,最终使您能够独立完成 NLP 项目开发部署全过程,掌握进一步自学和独立解决问题的能力。
讲师介绍
中微科技王然 AI Lab 技术负责人。
王然毕业于北京大学,后来在阿姆斯特丹大学攻读数学和计量经济学双学位,并在蒂尔堡大学攻读营销模型。他的研究方向主要是贝叶斯理论、泛函分析理论和应用,主要参与图像、语音、NLP、加强学习、理论和应用知识图谱等。
你将获得
高效挖掘表格化数据的技巧
四种经典 NLP 任务解决方案
NLP 实战中的黑科技竞赛和竞赛
一整套从开发到部署的落地经验
课程目录
01-课程介绍.mp4
02-内容综述.mp4
03-人工智能概述:宣传视频外的人工智能.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学习方法:如何在人工智能爆炸时代快速学习?.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-深度学习和硬件: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-统计基础:随机性如何改变数据拟合的本质?.mp4
17-神经网络基础:神经网络或复合函数.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:什么是卷积神经网络?.mp4
24-简单文本分类实践:教你手拉手实现简单文本分类.mp4
25-Pytorch简介:Tensor及相关操作.mp4
26-Pytorch简介:如何构建Dataset和Dataloder?.mp4
27-PyTorch简介:如何构建神经网络?.mp4
28-文本分类实践:如何进行简单的文本分类?.mp4
文本分类实践评价:如何提高进一步的分类效果?.mp4
30-经典数据挖掘方法:早期数据驱动开发的努力.mp4
31-表格化数据挖掘的基本流程:看现在的数据挖掘是怎么做的?.mp4
32-Pandas简介:如何使用Pandas处理数据?.mp4
33-Matplotlib简介:如何进行简单的视觉分析?.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
Entity-Embedding38-半自动构建方法的实现.mp4
39-半自动特征构建方法连续变量转换.mp4
40-半自动特征构造方法缺乏变量和异常值的处理.mp4
Symboliclearning和AutoCross介绍自动特征构建方法.mp4
42-PCA降维方法、NMF和tSNE.mp4
43-Denoisingautoendersersersdending.mp4
Variationalautoenerder4-降维方法.mp4
45-变量选择方法.mp4
46-如何提高决策树的效果?.mp4
47-集成树模型GBDT和Xgbost的数学表达.mp4
集成树模型LightGBM简介.mp4
49-集成树模型CatBost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-构建神经网络的ResidualConection和Denseconection.mp4
52-构建Networkinnnetwork的神经网络.mp4
53-构建GatingMechanism和Attentionion.mp4
54-构建神经网络的Memory.mp4
55-构建ActivationFunction神经网络.mp4
56-构建Normalization神经网络.mp4
57-神经网络训练的初始化.mp4
58-神经网络和Warm的训练学习率-up.mp4
59-神经网络训练新Pytorch训练框架.mp4
60-Transformer如何通过Transformer榨取重要变量?.mp4
61-Transformer代码实现分析.mp4
如何用神经网络处理62-xdeeepFM的高维特征?.mp4
63-xdeepfm代码分析.mp4
如何用神经网络解决时间序列的预测问题?.mp4
图片嵌入如何将图片关系纳入模型?.mp4
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学到的模型方法一起工作?.mp4
什么是68-高级模型融合技巧Metades?.mp4
69-如何利用传统特征解决自然语言中的人工特征?.mp4
70-重新审视wordedingNegativesampling和contextulembeding.mp4
71-深度迁移学习模型从ELMo到BERT.mp4
72-Robertaata模型的深度迁移学习模型、XLNet、ERNIE和T5.mp4
ALBERT-ELECTRA.mp4
如何使用TensorFlow在TPU对模型进行微调?.mp4
75-微调TensorflowBERT代码简析深度迁移学习模型.mp4
如何利用Pytorch实现深度迁移学习模型的微调和代码简析.mp4
Adam和AdamW.mp4
78-优化器Lookahead,Radam和Lamb.mp4
如何使用多重loss来提高模型的准确性?.mp4
如何从少数数据中扩展更多数据,避免过拟合80-数据扩展的基本方法?.mp4
81-UDA系统的数据扩展框架.mp4
82-LabelSmoothingLogitSqueezing.mp4
83-底层模型拼接如何将不同的语言模型融合在一起,达到更好的效果?.mp4
如何在语言模型的基础上拼接更多的模型?.mp4
85-长文本分类截取,平均关键词拼接和预测.mp4
86-virtualadverserialtraining如何减少一般对抗训练难以收敛的问题,提高鲁棒结果?.mp4
87-其他Embedding的训练方法有哪些?.mp4
88-训练预语言模型.mp4
89-多任务训练:多任务训练如何提高效果?.mp4
90-DomainAdaptation:如何使用其他有标记的语料来提高效果?.mp4
91-Few-shotLearning:有没有更好地利用不同任务的方法?.mp4
92-半监督学习:如何让没有标记的数据派上用场?.mp4
93-依存分析和SemanticParsing概述.mp4
94-依存分析,UniversaldepdencyRelation.mp4
95-Stanza使用.mp4
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:如何使用TreeLSTM等扩展方法?.mp4
99-SemanticParsing基础:SemanticParsing的任务是什么?.mp4
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:一个微妙的实现.mp4
107-增强学习的基本设置:增强学习和传统预测建模有什么区别?.mp4
108-最短路问题,Dijkstralgorithmm.mp4
109-Q-learning:如何推导Q-learning算法?(1).mp4
109-Q-learning:如何推导Q-learning算法?.mp4
110-Rainbow:Q-learning算法如何改进?(1).mp4
110-Rainbow:Q-learning算法如何改进?.mp4
111-PolicyGradient:PolicyGradient如何基本推导?(1).mp4
111-PolicyGradient:如何基本推导PolicyGradient?.mp4
112-A2C和A3C:如何提高基本PolicyGradient算法(1).mp4
112-A2C和A3C:如何提高基本PolicyGradient算法?.mp4
113-Gumbel-trick:如何将离散优化转化为连续优化?(1).mp4
113-Gumbel-trick:如何将离散优化转化为连续优化?.mp4
114-MCTS简介:如何将“推理”引入强化学习框架?.mp4
115-DirectPolictyGradient:Gumbel-trick的基本设置和使用.mp4
116-DirectPolictyGradient:轨迹生成方法.mp4
117-Automl,NeuralArchiteresearch简介.mp4
118-AutoML网络架构示例.mp4
119-RENAS:如何使用遗传算法,加强学习和探索网络架构.mp4
120-DifferentiableSearch:如何将NAS变成微问题?.mp4
121-层次搜索法:如何在模块之间搜索?.mp4
122-LeNAS:如何搜索space.mp4
123-超参数搜索:如何找到算法的超参数?.mp4
124-Learningtooptimize:机器能否学习新的优化器?.mp4
125-遗传算法与加强学习相结合.mp4
126-使用算法来增强学习,改进组合优化.mp4
127-多代理增强学习概述:什么是多代理增强学习?.mp4
AlphaStar介绍:AlphaStar采用了哪些技术?.mp4
课程资料地址.txt
[我要扒资料]