极客时间-NLP 实战高手课

📁 资源包内容详情 (59.37 GB)

1. 包含文件：01-50
2. 51-99
3. 100丨WikiSQL任务简介.mp4
4. 101丨ASDL和AST.mp4
5. 102丨Tranx简介.mp4
6. 103丨LambdaCaculus概述.mp4
7. 104丨Lambda-DCS概述.mp4
8. 105丨InductiveLogicProgramming：基本设定.mp4
9. 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
10. 108丨最短路问题和DijkstraAlgorithm.mp4
11. 109丨Q-learning：如何进行Q-learning算法的推导？.mp4
12. 110丨Rainbow：如何改进Q-learning算法？.mp4
13. 111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4
14. 112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4
15. 113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4
16. 114丨MCTS简介：如何将“推理”引入到强化学习框架中.mp4
17. 115丨DirectPolictyGradient：基本设定及Gumbel-trick的使用116丨DirectPolictyGradient：轨迹生成方法.mp4
18. 117丨AutoML及NeuralArchitectureSearch简介.mp4
19. 118丨AutoML网络架构举例.mp4
20. 119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4
21. 120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4
22. 121丨层次搜索法：如何在模块之间进行搜索？.mp4
23. 122丨LeNAS：如何搜索搜索space.mp4
24. 123丨超参数搜索：如何寻找算法的超参数.mp4
25. 124丨Learning to optimize：是否可以让机器学到一个新的优化器.mp4
26. 125丨遗传算法和增强学习的结合.mp4
27. 126丨使用增强学习改进组合优化的算法.mp4
28. 127丨多代理增强学习概述：什么是多代理增强学习？.mp4
29. 128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4
30. 129丨IMPALA：多Agent的Actor-Critic算法.mp4
31. 130丨COMAAgent之间的交流.mp4
32. 131丨多模态表示学习简介.mp4
33. 132丨知识蒸馏：如何加速神经网络推理.mp4
34. 133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4
35. 134丨文本推荐系统和增强学习.mp4
36. 135丨RL训练方法集锦：简介.mp4
37. 136丨RL训练方法RL实验的注意事项.mp4
38. 137丨PPO算法.mp4
39. 138丨Reward设计的一般原则.mp4
40. 139丨解决SparseReward的一些方法.mp4
41. 140丨ImitationLearning和Self-imitationLearning.mp4
42. 141丨增强学习中的探索问题.mp4
43. 142丨Model-basedReinforcementLearning.mp4
44. 143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
45. 144丨Quora问题等价性案例学习：预处理和人工特征.mp4
46. 145丨Quora问题等价性案例学习：深度学习模型.mp4
47. 146丨文本校对案例学习.mp4
48. 147丨微服务和Kubernetes简介.mp4
49. 148丨Docker简介.mp4
50. 149丨Docker部署实践.mp4