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实战技能插图

课程简介

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

  1. 高效挖掘表格化数据的技巧
  2. 四种经典 NLP 任务的解决方案
  3. NLP 竞赛和实战中的黑科技
  4. 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