王然-NLP实战高手课 全方位提升你的NLP实战技能

王然-NLP实战高手课 全方位提升你的NLP实战技能

资源简介：

教程大小:8.12 GB

NLP (全称Natural Language Processing，即自然语言处理) 被誉为“人工智能皇冠上的明珠”，它在电商、翻译、金融、智能硬件、医疗等各个行业已经有了越来越广泛的应用。

很多人认为，NLP 已经迎来了属于它的黄金时代。相应的，各个企业对 NLP 工程师的需求也越来越多。

但是，如果想成为一个 NLP 领域的高手，仅仅会调用几个开源框架，调一调参数，显然是不够的。由于 NLP 本身的复杂性，仅仅停留在对一些技术领域的浅层理解或者跟着论文照做，你很难在实际工作中取得理想的效果。

因此，本课程在内容设计上，将打破常规，打造一门有理论深度同时兼具实战性的课程。我们希望通过这个课程，让你对 NLP 领域的相关技术和解决方案有一个更系统和深入的了解，最终让你能够独立完成一个 NLP 项目的开发、部署全流程，并掌握进一步的自我学习和独立解决问题的能力。

讲师介绍

王然，众微科技 AI Lab 技术负责人。

王然本科毕业于北京大学，后于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专业。他的研究方向主要为贝叶斯理论以及泛函分析理论和应用，主要参与的项目方向包括图像、语音、NLP、强化学习、知识图谱的理论和应用等。

你将获得

高效挖掘表格化数据的技巧

四种经典 NLP 任务的解决方案

NLP 竞赛和实战中的黑科技

从开发到部署的一整套落地经验

课程目录：

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

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-统计学基础：随机性是如何改变数据拟合的本质的？.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.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-简单文本分类实践：手把手教你实现简单的文本分类.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Entity-Embedding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Symbolic-learning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WordEmbeddingNegativeSampling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-Stanza使用.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

100-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？(1).mp4

109-Q-learning：如何进行Q-learning算法的推导？.mp4

110-Rainbow：如何改进Q-learning算法？(1).mp4

110-Rainbow：如何改进Q-learning算法？.mp4

111-PolicyGradient：如何进行PolicyGradient的基本推导？(1).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(1).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？(1).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

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

课程资料地址.txt