文件清单 88 项

• 158丨Istio简介:Istio包含哪些功能?.mp4
• 144丨Quora问题等价性案例学习:预处理和人工特征.mp4
• 115DirectPolictyGradient:基本设定及Gumbel-trick的使用116DirectPolictyGradient:轨迹生成方法.mp4
• 128丨AlphaStar介绍:AlphaStar中采取了哪些技术?.mp4
• 140丨ImitationLearning和Self-imitationLearning.mp4
• 122丨LeNAS:如何搜索搜索space.mp4
• 135丨RL训练方法集锦:简介.mp4
• 123丨超参数搜索:如何寻找算法的超参数.mp4
• 156丨Kubernetes灰度上线.mp4

展开全部 88 项

• 145丨Quora问题等价性案例学习:深度学习模型.mp4
• 110丨Rainbow:如何改进Q-learning算法?.mp4
• 149丨Docker部署实践.mp4
• 155丨Kubernetes健康检查.mp4
• 121丨层次搜索法:如何在模块之间进行搜索?.mp4
• 153丨Kubernetes服务发现.mp4
• 142丨Model-basedReinforcementLearning.mp4
• 124丨Learning to optimize:是否可以让机器学到一个新的优化器.mp4
• 114丨MCTS简介:如何将“推理”引入到强化学习框架中.mp4
• 105丨InductiveLogicProgramming:基本设定.mp4
• 148丨Docker简介.mp4
• 109丨Q-learning:如何进行Q-learning算法的推导?.mp4
• 159丨Istio实例和Circuit Breaker.mp4
• 113丨Gumbel-trick:如何将离散的优化改变为连续的优化问题?.mp4
• 126丨使用增强学习改进组合优化的算法.mp4
• 147丨微服务和Kubernetes简介.mp4
• 146丨文本校对案例学习.mp4
• 103丨LambdaCaculus概述.mp4
• 129丨IMPALA:多Agent的Actor-Critic算法.mp4
• 141丨增强学习中的探索问题.mp4
• 33丨Matplotlib 简介:如何进行简单的可视化分析?.mp4
• 45丨变量选择方法.mp4
• 25丨PyTorch简介:Tensor和相关运算.mp4
• 09深度学习框架:选择合适的深度学习框架?10深度学习与硬件:CPU.mp4
• 32丨Pandas 简介:如何使用Pandas对数据进行处理?.mp4
• 34丨半自动特征构建方法:Target Mean Encoding.mp4
• 24丨环境部署:如何构建简单的深度学习环境?.mp4
• 42丨降维方法:PCA,NMF 和 tSNE.mp4
• 17丨神经网络基础:神经网络还是复合函数.mp4
• 05丨NLP领域简介:NLP基本任务及研究方向.mp4
• 39丨半自动特征构建方法:连续变量的转换.mp4
• 29丨文本分类实践的评价:如何提升进一步的分类效果?.mp4
• 36丨半自动特征构建方法:连续变量的离散化.mp4
• 41丨自动特征构建方法:Symbolic learning和AutoCross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 51神经网络的构建:ResidualConnection和DenseConnection.mp4
• 11丨深度学习与硬件:GPU.mp4
• 35丨半自动特征构建方法:Categorical Encoder.mp4
• 22丨RNN简介:RNN和LSTM.mp4
• 37丨半自动特征构建方法:Entity Embedding.mp4
• 26丨PyTorch简介:如何构造Dataset和DataLoader?.mp4
• 27丨PyTorch简介:如何构造神经网络?.mp4
• 49丨集成树模型:CatBoost和NGBoost简介.mp4
• 28丨文本分类实践:如何进行简单的文本分类?.mp4
• 03丨AI概览:宣传片外的人工智能.mp4
• 08丨NLP的学习方法:如何在AI爆炸时代快速上手学习?.mp4
• 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
• 79丨多重loss的方式:如何使用多重loss来提高模型准确率?.mp4
• 98丨树神经网络:如何采用TreeLSTM和其它拓展方法?.mp4
• 81丨UDA:一种系统的数据扩充框架.mp4
• 95丨Stanza使用.mp4
• 91丨Few-shotLearning:是否有更好的利用不同任务的方法?.mp4
• 60丨Transformer:如何通过Transformer榨取重要变量?.mp4
• 73丨深度迁移学习模型:ALBERT和ELECTRA.mp4
• 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
• 72丨深度迁移学习模型:RoBERTa,XLNet,ERNIE和T5.mp4
• 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
• 52丨神经网络的构建:NetworkinNetwork.mp4
• 97丨基于神经网络的依存分析算法.mp4
• 77丨优化器:Adam和AdamW.mp4
• 94丨依存分析和UniversalDepdencyRelattions.mp4
• 92丨半监督学习:如何让没有标注的数据也派上用场?.mp4
• 88丨训练预语言模型.mp4
• 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
• 58丨神经网络的训练:学习率和Warm-up.mp4
• 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
• 55丨神经网络的构建:ActivationFunction.mp4
• 56丨神经网络的构建:Normalization.mp4
• 51丨健康检查:与Liveness,Readiness,Startup探测集成实现高可用.mp4
• 93丨依存分析和SemanticParsing概述.mp4
• 57丨神经网络的训练:初始化.mp4
• 89丨多任务训练:如何利用多任务训练来提升效果?.mp4
• 53丨神经网络的构建:GatingMechanism和Attention.mp4
• 90丨DomainAdaptation:如何利用其它有标注语料来提升效果?.mp4
• 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
• 65丨图嵌入:如何将图关系纳入模型?.mp4
• 75丨深度迁移学习模型的微调:TensorFlowBERT代码简析.mp4
• 105418_[极客时间]NLP 实战高手课/
• 01-50/
• 51-99/