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

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？

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

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？

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

104 | Lambda-DCS概述

105 | Inductive Logic Programming：基本设定

106 | Inductive Logic Programming：一个可微的实现

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 | 最短路问题和Dijkstra Algorithm

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

144 | Quora问题等价性案例学习：预处理和人工特征

146 | 文本校对案例学习

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