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
100-WikiSQL任务简介.mp4
101-ASDL和AST.mp4
102-Tranx简介.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？.mp4
11-深度学习与硬件：GPU.mp4
110-Rainbow：如何改进Q-learning算法？.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.mp4
113-Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4
114-MCTS简介：如何将“推理”引入到强化学习框架中.mp4
115-DirectPolictyGradient：基本设定及Gumbel-trick的使用.mp4
116-DirectPolictyGradient：轨迹生成方法.mp4
117-AutoML及NeuralArchitectureSearch简介.mp4
118-AutoML网络架构举例.mp4
119-RENAS：如何使用遗传算法和增强学习探索网络架构.mp4
12-深度学习与硬件：TPU.mp4
120-DifferentiableSearch：如何将NAS变为可微的问题.mp4
121-层次搜索法：如何在模块之间进行搜索？.mp4
122-LeNAS：如何搜索搜索space.mp4
123-超参数搜索：如何寻找算法的超参数.mp4
124-Learningtooptimize：是否可以让机器学到一个新的优化器.mp4
125-遗传算法和增强学习的结合.mp4
126-使用增强学习改进组合优化的算法.mp4
127-多代理增强学习概述：什么是多代理增强学习？.mp4
128-AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4
129-IMPALA：多Agent的Actor-Critic算法.mp4
13-AI项目部署：基本原则.mp4
130-COMA-Agent之间的交流.mp4
131-多模态表示学习简介.mp4
132-知识蒸馏：如何加速神经网络推理.mp4
133-DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4
134-文本推荐系统和增强学习.mp4
135-RL训练方法集锦：简介.mp4
136-RL训练方法-RL实验的注意事项.mp4
137-PPO算法.mp4
138-Reward设计的一般原则.mp4
139-解决SparseReward的一些方法.mp4
14-AI项目部署：框架选择.mp4
140-ImitationLearning和Self-imitationLearning.mp4
141-增强学习中的探索问题.mp4
142-Model-basedReinforcementLearning.mp4
143-TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
144-Quora问题等价性案例学习：预处理和人工特征.mp4
145-Quora问题等价性案例学习：深度学习模型.mp4
146-文本校对案例学习.mp4
147-微服务和Kubernetes简介.mp4
148-Docker简介.mp4
149-Docker部署实践.mp4
15-AI项目部署：微服务简介.mp4
150-Kubernetes基本概念.mp4
151-Kubernetes部署实践.mp4
152-Kubernetes自动扩容.mp4
153-Kubernetes服务发现.mp4
154-KubernetesIngress.mp4
155-Kubernetes健康检查.mp4
156-Kubernetes灰度上线.mp4
157-KubernetesStatefulSets.mp4
158-Istio简介：Istio包含哪些功能？.mp4
159-Istio实例和CircuitBreaker.mp4
16-统计学基础：随机性是如何改变数据拟合的本质的？.mp4
160-结束语.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：为什么Embedding更适合编码文本特征？.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-环境部署：如何构建简单的深度学习环境？.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：EntityEmbedding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：Symboliclearning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WordEmbedding：NegativeSampling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-如何在Stanza中实现DependencyParsing.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
评论0