极客时间-NLP 实战高手课网盘资源免费观看百度云网盘链接提取码分享下载

• file:121丨层次搜索法：如何在模块之间进行搜索？.mp4
• file:145丨Quora问题等价性案例学习：深度学习模型.mp4
• file:135丨RL训练方法集锦：简介.mp4
• file:150丨Kubernetes基本概念.mp4
• file:140丨ImitationLearning和Self-imitationLearning.mp4
• file:102丨Tranx简介.mp4
• file:105丨InductiveLogicProgramming：基本设定.mp4
• file:129丨IMPALA：多Agent的Actor-Critic算法.mp4
• file:130丨COMAAgent之间的交流.mp4
• file:132丨知识蒸馏：如何加速神经网络推理.mp4
• file:157丨Kubernetes Stateful Sets.mp4
• file:104丨Lambda-DCS概述.mp4
• file:112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4
• file:119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4
• file:133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4
• file:109丨Q-learning：如何进行Q-learning算法的推导？.mp4
• file:124丨Learning to optimize：是否可以让机器学到一个新的优化器.mp4
• file:126丨使用增强学习改进组合优化的算法.mp4
• file:120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4
• file:122丨LeNAS：如何搜索搜索space.mp4
• file:114丨MCTS简介：如何将“推理”引入到强化学习框架中.mp4
• file:113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4
• file:101丨ASDL和AST.mp4
• file:159丨Istio实例和Circuit Breaker.mp4
• file:128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4
• file:115丨DirectPolictyGradient：基本设定及Gumbel-trick的使用116丨DirectPolictyGradient：轨迹生成方法.mp4
• file:139丨解决SparseReward的一些方法.mp4
• file:146丨文本校对案例学习.mp4
• file:143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
• file:138丨Reward设计的一般原则.mp4
• file:125丨遗传算法和增强学习的结合.mp4
• file:158丨Istio简介：Istio包含哪些功能？.mp4
• file:142丨Model-basedReinforcementLearning.mp4
• file:118丨AutoML网络架构举例.mp4
• file:149丨Docker部署实践.mp4
• file:111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4
• file:117丨AutoML及NeuralArchitectureSearch简介.mp4
• file:08丨NLP的学习方法：如何在AI爆炸时代快速上手学习？.mp4
• file: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
• file:23丨CNN：卷积神经网络是什么？.mp4
• file:14丨AI项目部署：框架选择.mp4
• file:01丨课程介绍.mp4
• file:12丨深度学习与硬件：TPU.mp4
• file:45丨变量选择方法.mp4
• file:29丨文本分类实践的评价：如何提升进一步的分类效果？.mp4
• file:43丨降维方法：Denoising Auto Encoders.mp4
• file:19丨神经网络基础：神经网络的基础构成.mp4
• file: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
• file:16丨统计学基础：随机性是如何改变数据拟合的本质的？.mp4
• file:39丨半自动特征构建方法：连续变量的转换.mp4
• file:38丨半自动构建方法：Entity Embedding的实现.mp4
• file:48丨集成树模型：LightGBM简介.mp4
• file:30丨经典的数据挖掘方法：数据驱动型开发早期的努力.mp4
• file:26丨PyTorch简介：如何构造Dataset和DataLoader？.mp4
• file:22丨RNN简介：RNN和LSTM.mp4
• file:34丨半自动特征构建方法：Target Mean Encoding.mp4
• file:05丨NLP领域简介：NLP基本任务及研究方向.mp4
• file: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
• file:20丨Embedding简介.mp4
• file:42丨降维方法：PCA、NMF 和 tSNE.mp4
• file:32丨Pandas 简介：如何使用Pandas对数据进行处理？.mp4
• file:21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4
• file:24丨环境部署：如何构建简单的深度学习环境？.mp4
• file:27丨PyTorch简介：如何构造神经网络？.mp4
• file:06丨NLP应用：智能问答系统.mp4
• file: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
• file:41丨自动特征构建方法：Symbolic learning和AutoCross简介.mp4
• file:33丨Matplotlib 简介：如何进行简单的可视化分析？.mp4
• file:03丨AI概览：宣传片外的人工智能.mp4
• folder:极客时间-NLP 实战高手课
• folder:01-50