课程目录：

-NLP实战高手课- /
├──01-50-
| ├──01丨课程介绍-.mp4 203.89M
| ├──02丨内容综述-.mp4 449.68M
| ├──03丨AI概览：宣传片外的人工智能-.mp4 831.02M
| ├──04丨AI项目流程：从实验到落地-.mp4 980.65M
| ├──05丨NLP领域简介：NLP基本任务及研究方向-.mp4 597.71M
| ├──06丨NLP应用：智能问答系统-.mp4 397.25M
| ├──07丨NLP应用：文本校对系统-.mp4 258.20M
| ├──08丨NLP的学习方法：如何在AI爆炸时代快速上手学习？-.mp4 455.99M
| ├──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 1.42G
| ├──11丨深度学习与硬件：GPU-.mp4 401.70M
| ├──12丨深度学习与硬件：TPU-.mp4 359.36M
| ├──13丨AI项目部署：基本原则-.mp4 147.03M
| ├──14丨AI项目部署：框架选择-.mp4 211.81M
| ├──15丨AI项目部署：微服务简介-.mp4 265.17M
| ├──16丨统计学基础：随机性是如何改变数据拟合的本质的？-.mp4 437.88M
| ├──17丨神经网络基础：神经网络还是复合函数-.mp4 333.07M
| ├──18丨神经网络基础：训练神经网络-.mp4 338.65M
| ├──19丨神经网络基础：神经网络的基础构成-.mp4 676.95M
| ├──20丨Embedding简介-.mp4 258.05M
| ├──21丨RNN简介：马尔可夫过程和隐马尔可夫过程-.mp4 270.16M
| ├──22丨RNN简介：RNN和LSTM-.mp4 626.94M
| ├──23丨CNN：卷积神经网络是什么？-.mp4 248.95M
| ├──24丨环境部署：如何构建简单的深度学习环境？-.mp4 871.99M
| ├──25丨PyTorch简介：Tensor和相关运算-.mp4 406.72M
| ├──26丨PyTorch简介：如何构造Dataset和DataLoader？-.mp4 330.48M
| ├──27丨PyTorch简介：如何构造神经网络？-.mp4 571.70M
| ├──28丨文本分类实践：如何进行简单的文本分类？-.mp4 548.07M
| ├──29丨文本分类实践的评价：如何提升进一步的分类效果？-.mp4 858.82M
| ├──30丨经典的数据挖掘方法：数据驱动型开发早期的努力-.mp4 355.29M
| ├──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 292.29M
| ├──32丨Pandas 简介：如何使用Pandas对数据进行处理？-.mp4 559.10M
| ├──33丨Matplotlib 简介：如何进行简单的可视化分析？-.mp4 268.35M
| ├──34丨半自动特征构建方法：Target Mean Encoding-.mp4 298.85M
| ├──35丨半自动特征构建方法：Categorical Encoder-.mp4 303.73M
| ├──36丨半自动特征构建方法：连续变量的离散化-.mp4 333.40M
| ├──37丨半自动特征构建方法：Entity Embedding-.mp4 1005.85M
| ├──38丨半自动构建方法：Entity Embedding的实现-.mp4 766.24M
| ├──39丨半自动特征构建方法：连续变量的转换-.mp4 637.32M
| ├──40丨半自动特征构建方法：缺失变量和异常值的处理-.mp4 211.77M
| ├──41丨自动特征构建方法：Symbolic learning和AutoCross简介-.mp4 460.30M
| ├──42丨降维方法：PCA、NMF 和 tSNE-.mp4 644.72M
| ├──43丨降维方法：Denoising Auto Encoders-.mp4 163.43M
| ├──44丨降维方法：Variational Auto Encoder-.mp4 455.04M
| ├──45丨变量选择方法-.mp4 192.63M
| ├──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 840.59M
| ├──48丨集成树模型：LightGBM简介-.mp4 244.94M
| ├──49丨集成树模型：CatBoost和NGBoost简介-.mp4 115.01M
| └──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 465.76M
├──51-99-更多精彩课程请加AG1101201
| ├──51丨健康检查：与Liveness、Readiness、Startup探测集成实现高可用-.mp4 259.78M
| ├──52丨神经网络的构建：NetworkinNetwork-.mp4 79.03M
| ├──53丨神经网络的构建：GatingMechanism和Attention-.mp4 231.99M
| ├──54丨神经网络的构建：Memory-.mp4 766.21M
| ├──55丨神经网络的构建：ActivationFunction-.mp4 300.35M
| ├──56丨神经网络的构建：Normalization-.mp4 260.01M
| ├──57丨神经网络的训练：初始化-.mp4 283.87M
| ├──58丨神经网络的训练：学习率和Warm-up-.mp4 560.48M
| ├──59丨神经网络的训练：新的PyTorch训练框架-.mp4 921.57M
| ├──60丨Transformer：如何通过Transformer榨取重要变量？-.mp4 738.38M
| ├──61丨Transformer代码实现剖析-.mp4 1.01G
| ├──62丨xDeepFM：如何用神经网络处理高维的特征？-.mp4 522.80M
| ├──63丨xDeepFM的代码解析-.mp4 354.43M
| ├──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 785.60M
| ├──65丨图嵌入：如何将图关系纳入模型？-.mp4 548.22M
| ├──66丨图网络简介：如何在图结构的基础上建立神经网络？-.mp4 699.96M
| ├──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 296.79M
| ├──68丨高级模型融合技巧：Metades是什么？-.mp4 544.12M
| ├──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 432.08M
| ├──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 748.94M
| ├──72丨深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5-.mp4 588.16M
| ├──73丨深度迁移学习模型：ALBERT和ELECTRA-.mp4 171.30M
| ├──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 737.71M
| ├──75丨深度迁移学习模型的微调：TensorFlowBERT代码简析-.mp4 933.53M
| ├──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 426.67M
| ├──77丨优化器：Adam和AdamW-.mp4 387.39M
| ├──78丨优化器：Lookahead，Radam和Lamb-.mp4 139.67M
| ├──79丨多重loss的方式：如何使用多重loss来提高模型准确率？-.mp4 233.12M
| ├──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 176.48M
| ├──81丨UDA：一种系统的数据扩充框架-.mp4 376.98M
| ├──82丨LabelSmoothing和LogitSqueezing-.mp4 111.88M
| ├──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 146.64M
| ├──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 287.87M
| ├──85丨长文本分类：截取、关键词拼接和预测平均-.mp4 299.03M
| ├──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 313.04M
| ├──87丨其他Embedding的训练：还有哪些Embedding方法？-.mp4 134.90M
| ├──88丨训练预语言模型-.mp4 221.56M
| ├──89丨多任务训练：如何利用多任务训练来提升效果？-.mp4 402.13M
| ├──90丨DomainAdaptation：如何利用其它有标注语料来提升效果？-.mp4 193.87M
| ├──91丨Few-shotLearning：是否有更好的利用不同任务的方法？-.mp4 359.41M
| ├──92丨半监督学习：如何让没有标注的数据也派上用场？-.mp4 120.79M
| ├──93丨依存分析和SemanticParsing概述-.mp4 87.43M
| ├──94丨依存分析和UniversalDepdencyRelattions-.mp4 426.96M
| ├──95丨Stanza使用-.mp4 379.80M
| ├──96丨ShiftReduce算法-.mp4 216.86M
| ├──97丨基于神经网络的依存分析算法-.mp4 652.13M
| ├──98丨树神经网络：如何采用TreeLSTM和其它拓展方法？-.mp4 107.83M
| └──99丨SemanticParsing基础：SemanticParsing的任务是什么？-.mp4 268.18M
├──100丨WikiSQL任务简介-.mp4 291.34M
├──101丨ASDL和AST-.mp4 173.27M
├──102丨Tranx简介-.mp4 282.18M
├──103丨LambdaCaculus概述-.mp4 139.70M
├──104丨Lambda-DCS概述-.mp4 332.32M
├──105丨InductiveLogicProgramming：基本设定-.mp4 433.00M
├──106丨InductiveLogicProgramming：一个可微的实现-.mp4 269.26M
├──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 202.98M
├──108丨最短路问题和DijkstraAlgorithm-.mp4 245.67M
├──109丨Q-learning：如何进行Q-learning算法的推导？-.mp4 1.09G
├──110丨Rainbow：如何改进Q-learning算法？-.mp4 511.28M
├──111丨PolicyGradient：如何进行PolicyGradient的基本推导？-.mp4 290.66M
├──112丨A2C和A3C：如何提升基本的PolicyGradient算法-.mp4 427.47M
├──113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？-.mp4 230.92M
├──114丨MCTS简介：如何将“推理”引入到强化学习框架中-.mp4 350.78M
├──115丨DirectPolictyGradient：基本设定及Gumbel-trick的使用116丨DirectPolictyGradient：轨迹生成方法-.mp4 959.78M
├──117丨AutoML及NeuralArchitectureSearch简介-.mp4 265.88M
├──118丨AutoML网络架构举例-.mp4 554.74M
├──119丨RENAS：如何使用遗传算法和增强学习探索网络架构-.mp4 425.47M
├──120丨DifferentiableSearch：如何将NAS变为可微的问题-.mp4 347.24M
├──121丨层次搜索法：如何在模块之间进行搜索？-.mp4 179.09M
├──122丨LeNAS：如何搜索搜索space-.mp4 190.28M
├──123丨超参数搜索：如何寻找算法的超参数-.mp4 293.32M
├──124丨Learning to optimize：是否可以让机器学到一个新的优化器-.mp4 257.21M
├──125丨遗传算法和增强学习的结合-.mp4 202.38M
├──126丨使用增强学习改进组合优化的算法-.mp4 446.44M
├──127丨多代理增强学习概述：什么是多代理增强学习？-.mp4 240.57M
├──128丨AlphaStar介绍：AlphaStar中采取了哪些技术？-.mp4 326.62M
├──129丨IMPALA：多Agent的Actor-Critic算法-.mp4 276.65M
├──130丨COMAAgent之间的交流-.mp4 165.55M
├──131丨多模态表示学习简介-.mp4 234.98M
├──132丨知识蒸馏：如何加速神经网络推理-.mp4 180.35M
├──133丨DeepGBM：如何用神经网络捕捉集成树模型的知识-.mp4 91.29M
├──134丨文本推荐系统和增强学习-.mp4 464.30M
├──135丨RL训练方法集锦：简介-.mp4 279.48M
├──136丨RL训练方法RL实验的注意事项-.mp4 235.73M
├──137丨PPO算法-.mp4 302.71M
├──138丨Reward设计的一般原则-.mp4 184.90M
├──139丨解决SparseReward的一些方法-.mp4 660.97M
├──140丨ImitationLearning和Self-imitationLearning-.mp4 429.06M
├──141丨增强学习中的探索问题-.mp4 453.05M
├──142丨Model-basedReinforcementLearning-.mp4 340.44M
├──143丨TransferReinforcementLearning和Few-shotReinforcementLearning-.mp4 508.33M
├──144丨Quora问题等价性案例学习：预处理和人工特征-.mp4 446.85M
├──145丨Quora问题等价性案例学习：深度学习模型-.mp4 365.70M
├──146丨文本校对案例学习-.mp4 409.67M
├──147丨微服务和Kubernetes简介-.mp4 223.20M
├──148丨Docker简介-.mp4 178.70M
├──149丨Docker部署实践-.mp4 342.93M
├──150丨Kubernetes基本概念-.mp4 214.84M
├──151丨Kubernetes部署实践-.mp4 462.29M
├──152丨Kubernetes自动扩容-.mp4 278.23M
├──153丨Kubernetes服务发现-.mp4 136.96M
├──154丨Kubernetes Ingress-.mp4 254.00M
├──155丨Kubernetes健康检查-.mp4 235.37M
├──156丨Kubernetes灰度上线-.mp4 232.75M
├──157丨Kubernetes Stateful Sets-.mp4 174.90M
├──158丨Istio简介：Istio包含哪些功能？-.mp4 122.10M
├──159丨Istio实例和Circuit Breaker-.mp4 379.05M
└──160丨结束语-.mp4 127.65M