课程目录

未分组

  1. 01 _ 课程介绍
  2. 02 _ 内容综述
  3. 03 _ AI概览：宣传片外的人工智能
  4. 04 _ AI项目流程：从实验到落地
  5. 05 _ NLP领域简介：NLP基本任务及研究方向
  6. 06 _ NLP应用：智能问答系统
  7. 07 _ NLP应用：文本校对系统
  8. 08 _ NLP的学习方法：如何在AI爆炸时代快速上手学习？
  9. 09 _ 深度学习框架简介：如何选择合适的深度学习框架？
  10. 10 _ 深度学习与硬件：CPU
  11. 11 _ 深度学习与硬件：GPU
  12. 12 _ 深度学习与硬件：TPU
  13. 13 _ AI项目部署：基本原则
  14. 14 _ AI项目部署：框架选择
  15. 15 _ AI项目部署：微服务简介
  16. 16 _ 统计学基础：随机性是如何改变数据拟合的本质的？
  17. 17 _ 神经网络基础：神经网络还是复合函数
  18. 18 _ 神经网络基础：训练神经网络
  19. 19 _ 神经网络基础：神经网络的基础构成
  20. 20 _ Embedding简介：为什么Embedding更适合编码文本特征？
  21. 21 _ RNN简介：马尔可夫过程和隐马尔可夫过程
  22. 22 _ RNN简介：RNN和LSTM
  23. 23 _ CNN：卷积神经网络是什么？
  24. 24 _ 环境部署：如何构建简单的深度学习环境？
  25. 25 _ PyTorch简介：Tensor和相关运算
  26. 26 _ PyTorch简介：如何构造Dataset和DataLoader？
  27. 27 _ PyTorch简介：如何构造神经网络？
  28. 28 _ 文本分类实践：如何进行简单的文本分类？
  29. 29 _ 文本分类实践的评价：如何提升进一步的分类效果？
  30. 30 _ 经典的数据挖掘方法：数据驱动型开发早期的努力
  31. 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？
  32. 32 _ Pandas简介：如何使用Pandas对数据进行处理？
  33. 33 _ Matplotlib简介：如何进行简单的可视化分析？
  34. 34 _ 半自动特征构建方法：Target Mean Encoding
  35. 35 _ 半自动特征构建方法：Categorical Encoder
  36. 36 _ 半自动特征构建方法：连续变量的离散化
  37. 37 _ 半自动特征构建方法：Entity Embedding
  38. 38 _ 半自动构建方法：Entity Embedding的实现
  39. 39 _ 半自动特征构建方法：连续变量的转换
  40. 40 _ 半自动特征构建方法：缺失变量和异常值的处理
  41. 41 _ 自动特征构建方法：Symbolic learning和AutoCross简介
  42. 42 _ 降维方法：PCA、NMF 和 tSNE
  43. 43 _ 降维方法：Denoising Auto Encoders
  44. 44 _ 降维方法：Variational Auto Encoder
  45. 45 _ 变量选择方法
  46. 46 _ 集成树模型：如何提升决策树的效果
  47. 47 _ 集成树模型：GBDT和XgBoost的数学表达
  48. 48 _ 集成树模型：LightGBM简介
  49. 49 _ 集成树模型：CatBoost和NGBoost简介
  50. 50 _ 神经网络建模：如何让神经网络实现你的数据挖掘需求
  51. 51 _ 神经网络的构建：Residual Connection和Dense Connection
  52. 52 _ 神经网络的构建：Network in Network
  53. 53 _ 神经网络的构建：Gating Mechanism和Attention
  54. 54 _ 神经网络的构建：Memory
  55. 55 _ 神经网络的构建：Activation Function
  56. 56 _ 神经网络的构建：Normalization
  57. 57 _ 神经网络的训练：初始化
  58. 58 _ 神经网络的训练：学习率和Warm-up
  59. 59 _ 神经网络的训练：新的PyTorch训练框架
  60. 60 _ Transformer：如何通过Transformer榨取重要变量？
  61. 61 _ Transformer代码实现剖析
  62. 62 _ xDeepFM：如何用神经网络处理高维的特征？
  63. 63 _ xDeepFM的代码解析
  64. 64 _ 时序建模：如何用神经网络解决时间序列的预测问题？
  65. 65 _ 图嵌入：如何将图关系纳入模型？
  66. 66 _ 图网络简介：如何在图结构的基础上建立神经网络？
  67. 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？
  68. 68 _ 高级模型融合技巧：Metades是什么？
  69. 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？
  70. 70 _ 重新审视Word Embedding：Negative Sampling和Contextual Embedding
  71. 71 _ 深度迁移学习模型：从ELMo到BERT
  72. 72 _ 深度迁移学习模型：RoBERTa、XLNet、ERNIE和T5
  73. 73 _ 深度迁移学习模型：ALBERT和ELECTRA
  74. 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
  75. 75 _ 深度迁移学习模型的微调：TensorFlow BERT代码简析
  76. 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
  77. 77 _ 优化器：Adam和AdamW
  78. 78 _ 优化器：Lookahead，Radam和Lamb
  79. 79 _ 多重loss的方式：如何使用多重loss来提高模型准确率？
  80. 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？
  81. 81 _ UDA：一种系统的数据扩充框架
  82. 82 _ Label Smoothing和Logit Squeezing
  83. 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？
  84. 84 _ 上层模型拼接：如何在语言模型基础上拼接更多的模型？
  85. 85 _ 长文本分类：截取、关键词拼接和预测平均
  86. 86 _ Virtual Adverserial Training：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？
  87. 87 _ 其他Embedding的训练：还有哪些Embedding方法？
  88. 88 _ 训练预语言模型
  89. 89 _ 多任务训练：如何利用多任务训练来提升效果？
  90. 90 _ Domain Adaptation：如何利用其它有标注语料来提升效果？
  91. 91 _ Few-shot Learning：是否有更好的利用不同任务的方法？
  92. 92 _ 半监督学习：如何让没有标注的数据也派上用场？
  93. 93 _ 依存分析和Semantic Parsing概述
  94. 94 _ 依存分析和Universal Depdency Relattions
  95. 95 _ 如何在Stanza中实现Dependency Parsing
  96. 96 _ Shift Reduce算法
  97. 97 _ 基于神经网络的依存分析算法
  98. 98 _ 树神经网络：如何采用Tree LSTM和其它拓展方法？
  99. 99 _ Semantic Parsing基础：Semantic Parsing的任务是什么？
  100. 100 _ WikiSQL任务简介
  101. 101 _ ASDL和AST
  102. 102 _ Tranx简介
  103. 103 _ Lambda Caculus概述
  104. 104 _ Lambda-DCS概述
  105. 105 _ Inductive Logic Programming：基本设定
  106. 106 _ Inductive Logic Programming：一个可微的实现
  107. 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？
  108. 108 _ 最短路问题和Dijkstra Algorithm
  109. 109 _ Q-learning：如何进行Q-learning算法的推导？
  110. 110 _ Rainbow：如何改进Q-learning算法？
  111. 111 _ Policy Gradient：如何进行Policy Gradient的基本推导？
  112. 112 _ A2C和A3C：如何提升基本的Policy Gradient算法
  113. 113 _ Gumbel-trick：如何将离散的优化改变为连续的优化问题？
  114. 114 _ MCTS简介：如何将“推理”引入到强化学习框架中
  115. 115 _ Direct Policty Gradient：基本设定及Gumbel-trick的使用
  116. 116 _ Direct Policty Gradient：轨迹生成方法
  117. 117 _ AutoML及Neural Architecture Search简介
  118. 118 _ AutoML网络架构举例
  119. 119 _ RENAS：如何使用遗传算法和增强学习探索网络架构
  120. 120 _ Differentiable Search：如何将NAS变为可微的问题
  121. 121 _ 层次搜索法：如何在模块之间进行搜索？
  122. 122 _ LeNAS：如何搜索搜索space
  123. 123 _ 超参数搜索：如何寻找算法的超参数
  124. 124 _ Learning to optimize：是否可以让机器学到一个新的优化器
  125. 125 _ 遗传算法和增强学习的结合
  126. 126 _ 使用增强学习改进组合优化的算法
  127. 127 _ 多代理增强学习概述：什么是多代理增强学习？
  128. 128 _ AlphaStar介绍：AlphaStar中采取了哪些技术？
  129. 129 _ IMPALA：多Agent的Actor-Critic算法
  130. 130 _ COMA_Agent之间的交流
  131. 131 _ 多模态表示学习简介
  132. 132 _ 知识蒸馏：如何加速神经网络推理
  133. 133 _ DeepGBM：如何用神经网络捕捉集成树模型的知识
  134. 134 _ 文本推荐系统和增强学习
  135. 135 _ RL训练方法集锦：简介
  136. 136 _ RL训练方法_RL实验的注意事项
  137. 137 _ PPO算法
  138. 138 _ Reward设计的一般原则
  139. 139 _ 解决Sparse Reward的一些方法
  140. 140 _ Imitation Learning和Self-imitation Learning
  141. 141 _ 增强学习中的探索问题
  142. 142 _ Model-based Reinforcement Learning
  143. 143 _ Transfer Reinforcement Learning和Few-shot Reinforcement Learning
  144. 144 _ Quora问题等价性案例学习：预处理和人工特征
  145. 145 _ Quora问题等价性案例学习：深度学习模型
  146. 146 _ 文本校对案例学习
  147. 147 _ 微服务和Kubernetes简介
  148. 148 _ Docker简介
  149. 149 _ Docker部署实践
  150. 150 _ Kubernetes基本概念
  151. 151 _ Kubernetes部署实践
  152. 152 _ Kubernetes自动扩容
  153. 153 _ Kubernetes服务发现
  154. 154 _ Kubernetes Ingress
  155. 155 _ Kubernetes健康检查
  156. 156 _ Kubernetes灰度上线
  157. 157 _ Kubernetes Stateful Sets
  158. 158 _ Istio简介：Istio包含哪些功能？
  159. 159 _ Istio实例和Circuit Breaker
  160. 160 _ 结束语