极客时间出品的视频课《NLP实战高手课》作者王然，新客首单到手价68元，现免费分享。
课程介绍
自然语言处理（NLP）是人工智能领域的重要分支，被誉为“人工智能皇冠上的明珠”。近年来，NLP在电商、翻译、金融、智能硬件、医疗等各个行业的应用日益广泛，其地位和价值愈发凸显。如今，NLP正迎来其发展的黄金时代，企业对NLP工程师的需求日益增长，市场对NLP技术的渴求与日俱增。
然而，要成为一名真正的NLP领域高手，仅凭调用几个开源框架和调调参数是远远不够的。NLP技术的复杂性和深度要求我们不仅仅停留在表面，更需要对相关技术有深入的理解和掌握。因此，本课程致力于打破常规，打造一门既有理论深度又兼具实战性的NLP课程。我们将系统介绍NLP领域的基础理论和技术，同时结合实际应用案例，帮助学员深入理解并掌握NLP技术的核心要点。
通过这门课程的学习，学员将能够独立完成一个NLP项目的开发、部署全流程，并具备进一步的自我学习和独立解决问题的能力。我们希望学员能够从中获得对NLP技术的深入认识，能够在实际工作中运用所学知识解决实际问题，为NLP领域的发展做出自己的贡献。无论你是初学者还是有一定基础的NLP爱好者，这门课程都将为你打开一扇通往NLP领域更深层次的大门，让你在NLP技术的海洋中畅游自如。
课程目录
│ ├── 02丨内容综述.mp4
│ ├── 03丨AI概览：宣传片外的人工智能.mp4
│ ├── 04丨AI项目流程：从实验到落地.mp4
│ ├── 05丨NLP领域简介：NLP基本任务及研究方向.mp4
│ ├── 06丨NLP应用：智能问答系统.mp4
│ ├── 07丨NLP应用：文本校对系统.mp4
│ ├── 08丨NLP的学习方法：如何在AI爆炸时代快速上手学习？.mp4
│ ├── 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
│ ├── 11丨深度学习与硬件：GPU.mp4
│ ├── 12丨深度学习与硬件：TPU.mp4
│ ├── 13丨AI项目部署：基本原则.mp4
│ ├── 14丨AI项目部署：框架选择.mp4
│ ├── 15丨AI项目部署：微服务简介.mp4
│ ├── 16丨统计学基础：随机性是如何改变数据拟合的本质的？.mp4
│ ├── 17丨神经网络基础：神经网络还是复合函数.mp4
│ ├── 18丨神经网络基础：训练神经网络.mp4
│ ├── 19丨神经网络基础：神经网络的基础构成.mp4
│ ├── 20丨Embedding简介.mp4
│ ├── 21丨RNN简介：马尔可夫过程和隐马尔可夫过程.mp4
│ ├── 22丨RNN简介：RNN和LSTM.mp4
│ ├── 23丨CNN：卷积神经网络是什么？.mp4
│ ├── 24丨环境部署：如何构建简单的深度学习环境？.mp4
│ ├── 25丨PyTorch简介：Tensor和相关运算.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
│ ├── 28丨文本分类实践：如何进行简单的文本分类？.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
│ ├── 30丨经典的数据挖掘方法：数据驱动型开发早期的努力.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
│ ├── 32丨Pandas 简介：如何使用Pandas对数据进行处理？.mp4
│ ├── 33丨Matplotlib 简介：如何进行简单的可视化分析？.mp4
│ ├── 34丨半自动特征构建方法：Target Mean Encoding.mp4
│ ├── 35丨半自动特征构建方法：Categorical Encoder.mp4
│ ├── 36丨半自动特征构建方法：连续变量的离散化.mp4
│ ├── 37丨半自动特征构建方法：Entity Embedding.mp4
│ ├── 38丨半自动构建方法：Entity Embedding的实现.mp4
│ ├── 39丨半自动特征构建方法：连续变量的转换.mp4
│ ├── 40丨半自动特征构建方法：缺失变量和异常值的处理.mp4
│ ├── 41丨自动特征构建方法：Symbolic learning和AutoCross简介.mp4
│ ├── 42丨降维方法：PCA、NMF 和 tSNE.mp4
│ ├── 43丨降维方法：Denoising Auto Encoders.mp4
│ ├── 44丨降维方法：Variational Auto Encoder.mp4
│ ├── 45丨变量选择方法.mp4
│ ├── 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
│ ├── 48丨集成树模型：LightGBM简介.mp4
│ ├── 49丨集成树模型：CatBoost和NGBoost简介.mp4
│ └── 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
├── 100丨WikiSQL任务简介.mp4
├── 101丨ASDL和AST.mp4
├── 102丨Tranx简介.mp4
├── 103丨LambdaCaculus概述.mp4
├── 104丨Lambda-DCS概述.mp4
├── 105丨InductiveLogicProgramming：基本设定.mp4
├── 106丨InductiveLogicProgramming：一个可微的实现.mp4
├── 107丨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丨最短路问题和DijkstraAlgorithm.mp4
├── 109丨Q-learning：如何进行Q-learning算法的推导？.mp4
├── 110丨Rainbow：如何改进Q-learning算法？.mp4
├── 111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4
├── 112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4
├── 113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4
├── 114丨MCTS简介：如何将“推理”引入到强化学习框架中.mp4
├── 115丨DirectPolictyGradient：基本设定及Gumbel-trick的使用116丨DirectPolictyGradient：轨迹生成方法.mp4
├── 117丨AutoML及NeuralArchitectureSearch简介.mp4
├── 118丨AutoML网络架构举例.mp4
├── 119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4
├── 120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4
├── 121丨层次搜索法：如何在模块之间进行搜索？.mp4
├── 122丨LeNAS：如何搜索搜索space.mp4
├── 123丨超参数搜索：如何寻找算法的超参数.mp4
├── 124丨Learning to optimize：是否可以让机器学到一个新的优化器.mp4
├── 125丨遗传算法和增强学习的结合.mp4
├── 126丨使用增强学习改进组合优化的算法.mp4
├── 127丨多代理增强学习概述：什么是多代理增强学习？.mp4
├── 128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4
├── 129丨IMPALA：多Agent的Actor-Critic算法.mp4
├── 130丨COMAAgent之间的交流.mp4
├── 131丨多模态表示学习简介.mp4
├── 132丨知识蒸馏：如何加速神经网络推理.mp4
├── 133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4
├── 134丨文本推荐系统和增强学习.mp4
├── 135丨RL训练方法集锦：简介.mp4
├── 136丨RL训练方法RL实验的注意事项.mp4
├── 137丨PPO算法.mp4
├── 138丨Reward设计的一般原则.mp4
├── 139丨解决SparseReward的一些方法.mp4
├── 140丨ImitationLearning和Self-imitationLearning.mp4
├── 141丨增强学习中的探索问题.mp4
├── 142丨Model-basedReinforcementLearning.mp4
├── 143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
├── 144丨Quora问题等价性案例学习：预处理和人工特征.mp4
├── 145丨Quora问题等价性案例学习：深度学习模型.mp4
├── 146丨文本校对案例学习.mp4
├── 147丨微服务和Kubernetes简介.mp4
├── 148丨Docker简介.mp4
├── 149丨Docker部署实践.mp4
├── 150丨Kubernetes基本概念.mp4
├── 151丨Kubernetes部署实践.mp4
├── 152丨Kubernetes自动扩容.mp4
├── 153丨Kubernetes服务发现.mp4
├── 154丨Kubernetes Ingress.mp4
├── 155丨Kubernetes健康检查.mp4
├── 156丨Kubernetes灰度上线.mp4
├── 157丨Kubernetes Stateful Sets.mp4
├── 158丨Istio简介：Istio包含哪些功能？.mp4
├── 159丨Istio实例和Circuit Breaker.mp4
├── 160丨结束语.mp4
└── 51-99
├── 51丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用.mp4
├── 52丨神经网络的构建：NetworkinNetwork.mp4
├── 53丨神经网络的构建：GatingMechanism和Attention.mp4
├── 54丨神经网络的构建：Memory.mp4
├── 55丨神经网络的构建：ActivationFunction.mp4
├── 56丨神经网络的构建：Normalization.mp4
├── 57丨神经网络的训练：初始化.mp4
├── 58丨神经网络的训练：学习率和Warm-up.mp4
├── 59丨神经网络的训练：新的PyTorch训练框架.mp4
├── 60丨Transformer：如何通过Transformer榨取重要变量？.mp4
├── 61丨Transformer代码实现剖析.mp4
├── 62丨xDeepFM：如何用神经网络处理高维的特征？.mp4
├── 63丨xDeepFM的代码解析.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
├── 65丨图嵌入：如何将图关系纳入模型？.mp4
├── 66丨图网络简介：如何在图结构的基础上建立神经网络？.mp4
├── 67丨模型融合基础：如何让你所学到的模型方法一起发挥作用？.mp4
├── 68丨高级模型融合技巧：Metades是什么？.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
├── 70丨重新审视Word Embedding：Negative Sampling和Contextual Embedding71丨深度迁移学习模型：从ELMo到BERT.mp4
├── 72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5.mp4
├── 73丨深度迁移学习模型：ALBERT和ELECTRA.mp4
├── 74丨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丨深度迁移学习模型的微调：TensorFlowBERT代码简析.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
├── 77丨优化器：Adam和AdamW.mp4
├── 78丨优化器：Lookahead，Radam和Lamb.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
├── 80丨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丨UDA：一种系统的数据扩充框架.mp4
├── 82丨LabelSmoothing和LogitSqueezing.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
├── 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
├── 85丨长文本分类：截取、关键词拼接和预测平均.mp4
├── 86丨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丨其他Embedding的训练：还有哪些Embedding方法？.mp4
├── 88丨训练预语言模型.mp4
├── 89丨多任务训练：如何利用多任务训练来提升效果？.mp4
├── 90丨DomainAdaptation：如何利用其它有标注语料来提升效果？.mp4
├── 91丨Few-shotLearning：是否有更好的利用不同任务的方法？.mp4
├── 92丨半监督学习：如何让没有标注的数据也派上用场？.mp4
├── 93丨依存分析和SemanticParsing概述.mp4
├── 94丨依存分析和UniversalDepdencyRelattions.mp4
├── 95丨Stanza使用.mp4
├── 96丨ShiftReduce算法.mp4
├── 97丨基于神经网络的依存分析算法.mp4
├── 98丨树神经网络：如何采用TreeLSTM和其它拓展方法？.mp4
└── 99丨SemanticParsing基础：SemanticParsing的任务是什么？.mp4
3 directories, 156 files
以上就是极客时间王然老师的视频课《NLP实战高手课》的详细介绍了。
本文由提供IT教程网提供，仅供学习交流使用，未经许可，禁止转载!
原课程地址：https://time.geekbang.org/course/intro/100046401,有能力的朋友请支持正版，谢谢！
评论(0)