NLP实战高手课- 极客时间课程推荐/优惠

NLP实战高手课--极客时间课程推荐/优惠

全方位提升你的NLP实战技能
王然众微科技AI Lab技术负责人、阿姆斯特丹大学数学和计量经济学双硕士
视频课 | 160讲 | 16358人已学习
优惠价¥68原价:199
去官网优惠购买

版权声明

本站非极客时间官网,与官方无任何关系。我们不提供课程下载或详细内容,仅作为课程分享和推荐平台。我们鼓励大家支持正版,尊重创作者的劳动成果,这样不仅能帮助创作者持续产出优质内容,也能让自己获得更好的学习体验。请通过官方渠道购买和学习课程,感谢您的理解与支持。

课程详情

你将获得

  • 高效挖掘表格化数据的技巧
  • 4 种经典 NLP 任务的解决方案
  • NLP 竞赛和实战中的黑科技
  • 从开发到部署的一整套落地经验

课程介绍

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。

课程目录

第一章:AI及NLP基础

  • 01 | 课程介绍
  • 02 | 内容综述
  • 03 | AI概览:宣传片外的人工智能
  • 04 | AI项目流程:从实验到落地
  • 05 | NLP领域简介:NLP基本任务及研究方向
  • 06 | NLP应用:智能问答系统
  • 07 | NLP应用:文本校对系统
  • 08 | NLP的学习方法:如何在AI爆炸时代快速上手学习?
  • 09 | 深度学习框架简介:如何选择合适的深度学习框架?
  • 10 | 深度学习与硬件:CPU
  • 11 | 深度学习与硬件:GPU
  • 12 | 深度学习与硬件:TPU
  • 13 | AI项目部署:基本原则
  • 14 | AI项目部署:框架选择
  • 15 | AI项目部署:微服务简介

第二章:深度学习简介和NLP试水

  • 16 | 统计学基础:随机性是如何改变数据拟合的本质的?
  • 17 | 神经网络基础:神经网络还是复合函数
  • 19 | 神经网络基础:神经网络的基础构成
  • 18 | 神经网络基础:训练神经网络
  • 20 | Embedding简介:为什么Embedding更适合编码文本特征?
  • 21 | RNN简介:马尔可夫过程和隐马尔可夫过程
  • 22 | RNN简介:RNN和LSTM
  • 23 | CNN:卷积神经网络是什么?
  • 24 | 环境部署:如何构建简单的深度学习环境?
  • 25 | PyTorch简介:Tensor和相关运算
  • 26 | PyTorch简介:如何构造Dataset和DataLoader?
  • 27 | PyTorch简介:如何构造神经网络?
  • 28 | 文本分类实践:如何进行简单的文本分类?
  • 29 | 文本分类实践的评价:如何提升进一步的分类效果?

第三章:表格化数据挖掘

  • 30 | 经典的数据挖掘方法:数据驱动型开发早期的努力
  • 32 | Pandas简介:如何使用Pandas对数据进行处理?
  • 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?
  • 33 | Matplotlib简介:如何进行简单的可视化分析?
  • 34 | 半自动特征构建方法:Target Mean Encoding
  • 35 | 半自动特征构建方法:Categorical Encoder
  • 36 | 半自动特征构建方法:连续变量的离散化
  • 37 | 半自动特征构建方法:Entity Embedding
  • 38 | 半自动构建方法:Entity Embedding的实现
  • 39 | 半自动特征构建方法:连续变量的转换
  • 40 | 半自动特征构建方法:缺失变量和异常值的处理
  • 41 | 自动特征构建方法:Symbolic learning和AutoCross简介
  • 42 | 降维方法:PCA、NMF 和 tSNE
  • 43 | 降维方法:Denoising Auto Encoders
  • 44 | 降维方法:Variational Auto Encoder
  • 45 | 变量选择方法
  • 46 | 集成树模型:如何提升决策树的效果
  • 47 | 集成树模型:GBDT和XgBoost的数学表达
  • 48 | 集成树模型:LightGBM简介
  • 49 | 集成树模型:CatBoost和NGBoost简介
  • 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 | 神经网络的构建:Residual Connection和Dense Connection
  • 52 | 神经网络的构建:Network in Network
  • 53 | 神经网络的构建:Gating Mechanism和Attention
  • 54 | 神经网络的构建:Memory
  • 55 | 神经网络的构建:Activation Function
  • 56 | 神经网络的构建:Normalization
  • 57 | 神经网络的训练:初始化
  • 58 | 神经网络的训练:学习率和Warm-up
  • 59 | 神经网络的训练:新的PyTorch训练框架
  • 60 | Transformer:如何通过Transformer榨取重要变量?
  • 61 | Transformer代码实现剖析
  • 62 | xDeepFM:如何用神经网络处理高维的特征?
  • 63 | xDeepFM的代码解析
  • 64 | 时序建模:如何用神经网络解决时间序列的预测问题?
  • 65 | 图嵌入:如何将图关系纳入模型?
  • 66 | 图网络简介:如何在图结构的基础上建立神经网络?
  • 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 | 高级模型融合技巧:Metades是什么?
  • 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?

第四章:自然语言分类任务

  • 70 | 重新审视Word Embedding:Negative Sampling和Contextual Embedding
  • 71 | 深度迁移学习模型:从ELMo到BERT
  • 72 | 深度迁移学习模型:RoBERTa、XLNet、ERNIE和T5
  • 73 | 深度迁移学习模型:ALBERT和ELECTRA
  • 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 | 深度迁移学习模型的微调:TensorFlow BERT代码简析
  • 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 | 优化器:Adam和AdamW
  • 78 | 优化器:Lookahead,Radam和Lamb
  • 79 | 多重loss的方式:如何使用多重loss来提高模型准确率?
  • 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 | UDA:一种系统的数据扩充框架
  • 82 | Label Smoothing和Logit Squeezing
  • 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 | 上层模型拼接:如何在语言模型基础上拼接更多的模型?
  • 85 | 长文本分类:截取、关键词拼接和预测平均
  • 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 | 其他Embedding的训练:还有哪些Embedding方法?
  • 88 | 训练预语言模型
  • 89 | 多任务训练:如何利用多任务训练来提升效果?
  • 90 | Domain Adaptation:如何利用其它有标注语料来提升效果?
  • 91 | Few-shot Learning:是否有更好的利用不同任务的方法?
  • 92 | 半监督学习:如何让没有标注的数据也派上用场?
  • 93 | 依存分析和Semantic Parsing概述
  • 94 | 依存分析和Universal Depdency Relattions
  • 95 | 如何在Stanza中实现Dependency Parsing
  • 96 | Shift Reduce算法
  • 97 | 基于神经网络的依存分析算法
  • 98 | 树神经网络:如何采用Tree LSTM和其它拓展方法?
  • 99 | Semantic Parsing基础:Semantic Parsing的任务是什么?
  • 100 | WikiSQL任务简介
  • 101 | ASDL和AST
  • 102 | Tranx简介
  • 103 | Lambda Caculus概述
  • 106 | Inductive Logic Programming:一个可微的实现
  • 104 | Lambda-DCS概述
  • 105 | Inductive Logic Programming:基本设定

第五章:增强学习

  • 108 | 最短路问题和Dijkstra Algorithm
  • 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?
  • 109 | Q-learning:如何进行Q-learning算法的推导?
  • 110 | Rainbow:如何改进Q-learning算法?
  • 111 | Policy Gradient:如何进行Policy Gradient的基本推导?
  • 112 | A2C和A3C:如何提升基本的Policy Gradient算法
  • 113 | Gumbel-trick:如何将离散的优化改变为连续的优化问题?
  • 114 | MCTS简介:如何将“推理”引入到强化学习框架中
  • 115 | Direct Policty Gradient:基本设定及Gumbel-trick的使用
  • 116 | Direct Policty Gradient:轨迹生成方法
  • 117 | AutoML及Neural Architecture Search简介
  • 118 | AutoML网络架构举例
  • 119 | RENAS:如何使用遗传算法和增强学习探索网络架构
  • 120 | Differentiable Search:如何将NAS变为可微的问题
  • 121 | 层次搜索法:如何在模块之间进行搜索?
  • 122 | LeNAS:如何搜索搜索space
  • 123 | 超参数搜索:如何寻找算法的超参数
  • 124 | Learning to optimize:是否可以让机器学到一个新的优化器
  • 125 | 遗传算法和增强学习的结合
  • 126 | 使用增强学习改进组合优化的算法
  • 127 | 多代理增强学习概述:什么是多代理增强学习?
  • 128 | AlphaStar介绍:AlphaStar中采取了哪些技术?
  • 129 | IMPALA:多Agent的Actor-Critic算法
  • 130 | COMA:Agent之间的交流
  • 131 | 多模态表示学习简介
  • 132 | 知识蒸馏:如何加速神经网络推理
  • 133 | DeepGBM:如何用神经网络捕捉集成树模型的知识
  • 134 | 文本推荐系统和增强学习
  • 135 | RL训练方法集锦:简介
  • 136 | RL训练方法:RL实验的注意事项
  • 137 | PPO算法
  • 138 | Reward设计的一般原则
  • 139 | 解决Sparse Reward的一些方法
  • 140 | Imitation Learning和Self-imitation Learning
  • 141 | 增强学习中的探索问题
  • 142 | Model-based Reinforcement Learning
  • 143 | Transfer Reinforcement Learning和Few-shot Reinforcement Learning

第六章:实际案例研究

  • 144 | Quora问题等价性案例学习:预处理和人工特征
  • 145 | Quora问题等价性案例学习:深度学习模型
  • 146 | 文本校对案例学习

第七章:系统部署

  • 147 | 微服务和Kubernetes简介
  • 148 | Docker简介
  • 149 | Docker部署实践
  • 150 | Kubernetes基本概念
  • 151 | Kubernetes部署实践
  • 152 | Kubernetes自动扩容
  • 153 | Kubernetes服务发现
  • 154 | Kubernetes Ingress
  • 155 | Kubernetes健康检查
  • 156 | Kubernetes灰度上线
  • 157 | Kubernetes Stateful Sets
  • 158 | Istio简介:Istio包含哪些功能?
  • 159 | Istio实例和Circuit Breaker
  • 160 | 结束语

作者介绍

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。 王然还曾担任百分点认知智能实验室技术负责人,他带领开发了百分点的人机对话机器人和文书校对系统,其中,文书校对系统无论就准确性还是召回率来说,均达到了业界前沿水平。

推荐

软件设计:从专业到卓越 - 极客时间课程推荐/分享/优惠/折扣
软件设计:从专业到卓越
软件设计:从专业到卓越
张刚资深技术专家
专栏 | 601人已学习
优惠价¥34.93原价:49.9
去官网优惠购买
A/B测试从0到1 - 极客时间课程推荐/分享/优惠/折扣
A/B测试从0到1
从原理到实战,吃透A/B测试
张博伟FLAG资深数据科学家
专栏 | 10071人已学习
优惠价¥59原价:99
去官网优惠购买
趣谈网络协议 - 极客时间课程推荐/分享/优惠/折扣
趣谈网络协议
像小说一样的网络协议入门课
刘超前网易研究院云计算技术部首席架构师
专栏 | 132526人已学习
优惠价¥68原价:199
去官网优惠购买
Web 3.0入局攻略 - 极客时间课程推荐/分享/优惠/折扣
Web 3.0入局攻略
拨开迷雾,洞悉Web 3.0本质
郭大治MetaTribe(M.T)DAO发起人
专栏 | 7582人已学习
优惠价¥59原价:99
去官网优惠购买
结构沟通力 - 极客时间课程推荐/分享/优惠/折扣
结构沟通力
21 个高频场景下的职场沟通解决方案
李忠秋结构思考力研究中心创始人
视频课 | 1223人已学习
优惠价¥68原价:189
去官网优惠购买
如何讲好一堂课 - 极客时间课程推荐/分享/优惠/折扣
如何讲好一堂课
以学生为中心的课程设计方法论
薛雨北京新东方教学经理,新东方互联网产品技术总监
视频课 | 1984人已学习
优惠价¥59原价:129
去官网优惠购买