-6、商学院VIP-/套餐22：D到F登H沌大学等热门平台/13 极客时间/02-视频课/100-/120-NLP实战高手课/51-99

主页/套餐22：D到F登H沌大学等热门平台/13 极客时间/02-视频课/100-/120-NLP实战高手课/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