极客时间-NLP 实战高手课

📁 极客时间-NLP 实战高手课资源包内容详情 (59.37 GB)

极客时间-NLP 实战高手课 - 文件信息

• 🎬 139丨解决SparseReward的一些方法.mp4
• 🎬 127丨多代理增强学习概述：什么是多代理增强学习？.mp4
• 🎬 100丨WikiSQL任务简介.mp4
• 🎬 104丨Lambda-DCS概述.mp4
• 🎬 148丨Docker简介.mp4
• 🎬 112丨A2C和A3C：如何提升基本的PolicyGradient算法.mp4
• 🎬 108丨最短路问题和DijkstraAlgorithm.mp4
• 📁 包含文件：01-50
• 📁 51-99
• 🎬 121丨层次搜索法：如何在模块之间进行搜索？.mp4
• 🎬 142丨Model-basedReinforcementLearning.mp4
• 🎬 124丨Learning to optimize：是否可以让机器学到一个新的优化器.mp4
• 🎬 125丨遗传算法和增强学习的结合.mp4
• 🎬 113丨Gumbel-trick：如何将离散的优化改变为连续的优化问题？.mp4
• 🎬 120丨DifferentiableSearch：如何将NAS变为可微的问题.mp4
• 🎬 109丨Q-learning：如何进行Q-learning算法的推导？.mp4
• 🎬 111丨PolicyGradient：如何进行PolicyGradient的基本推导？.mp4
• 🎬 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
• 🎬 103丨LambdaCaculus概述.mp4
• 🎬 123丨超参数搜索：如何寻找算法的超参数.mp4
• 🎬 118丨AutoML网络架构举例.mp4
• 🎬 138丨Reward设计的一般原则.mp4
• 🎬 130丨COMAAgent之间的交流.mp4
• 🎬 115丨DirectPolictyGradient：基本设定及Gumbel-trick的使用116丨DirectPolictyGradient：轨迹生成方法.mp4
• 🎬 134丨文本推荐系统和增强学习.mp4
• 🎬 119丨RENAS：如何使用遗传算法和增强学习探索网络架构.mp4
• 🎬 117丨AutoML及NeuralArchitectureSearch简介.mp4
• 🎬 147丨微服务和Kubernetes简介.mp4
• 🎬 143丨TransferReinforcementLearning和Few-shotReinforcementLearning.mp4
• 🎬 140丨ImitationLearning和Self-imitationLearning.mp4
• 🎬 144丨Quora问题等价性案例学习：预处理和人工特征.mp4
• 🎬 105丨InductiveLogicProgramming：基本设定.mp4
• 🎬 137丨PPO算法.mp4
• 🎬 110丨Rainbow：如何改进Q-learning算法？.mp4
• 🎬 114丨MCTS简介：如何将“推理”引入到强化学习框架中.mp4
• 🎬 131丨多模态表示学习简介.mp4
• 🎬 132丨知识蒸馏：如何加速神经网络推理.mp4
• 🎬 102丨Tranx简介.mp4
• 🎬 133丨DeepGBM：如何用神经网络捕捉集成树模型的知识.mp4
• 🎬 128丨AlphaStar介绍：AlphaStar中采取了哪些技术？.mp4
• 🎬 149丨Docker部署实践.mp4
• 🎬 101丨ASDL和AST.mp4
• 🎬 136丨RL训练方法RL实验的注意事项.mp4
• 🎬 141丨增强学习中的探索问题.mp4
• 🎬 135丨RL训练方法集锦：简介.mp4
• 🎬 145丨Quora问题等价性案例学习：深度学习模型.mp4
• 🎬 122丨LeNAS：如何搜索搜索space.mp4
• 🎬 129丨IMPALA：多Agent的Actor-Critic算法.mp4
• 🎬 126丨使用增强学习改进组合优化的算法.mp4
• 🎬 146丨文本校对案例学习.mp4