当前播放: 26 | PyTorch简介：如何构造Dataset和DataLoader？
00:00 / 00:00
高清
- 高清
1.0x
- 2.0x
- 1.5x
- 1.25x
- 1.0x
- 0.5x
网页全屏
全屏
00:00
付费课程，可试看
课程目录
第一章：AI及NLP基础 (15讲)
01 | 课程介绍
免费
02 | 内容综述
免费
03 | AI概览：宣传片外的人工智能
免费
04 | AI项目流程：从实验到落地
免费
05 | NLP领域简介：NLP基本任务及研究方向
免费
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 (14讲)
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
18 | 神经网络基础：训练神经网络
19 | 神经网络基础：神经网络的基础构成
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 (16讲)
30 | 经典的数据挖掘方法：数据驱动型开发早期的努力
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 | Pandas简介：如何使用Pandas对数据进行处理？
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
26 | PyTorch简介：如何构造Dataset和DataLoader？
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
120讲 每周一/四更新1877
订阅¥129
本节摘要
课件和 Demo 地址
https://github.com/geektime-geekbang/NLP
登录 后留言
精选留言(2)
王柯这一课给我的启发有两点：
1.“天下没有免费的午餐”
2.大数据的读写方式对效率的优化很重要2020-03-22 1
Ayaya老师, 你在 6min20s 讲解 Dataset 的时候提到
“在每次 iteration 的时候, 再去重新对它进行分词, 然后对它做对应的如 token 一样的操作, 比如我运行成0, 然后你又运行成1这样的操作”, 这里有点不太能理解.
这里“重新”是指每次 iteration 都采用不同的分词和 token 方法吗? 还是说在原始数据上加入额外的处理? 因为我接触 NLP 时间较短, 不知道这样的做法有哪些实用场景, 所以就希望老师能举一个小例子讲解一下.作者回复: 这里字幕有一些问题。但是实际意思就是说我为了尽可能节省显存和内存，我直接通过文件IO的方式做循环。这样的确节省了存储但运算效率就很糟糕了
2020-03-21
收起评论
看过的人还看
