成为机器学习者所需的一切

此资源列表专门针对 Web 开发人员和数据科学家。...因此，您可以根据自己的意愿使用它...

此列表大量借鉴了sindresorhus创建的多个列表

机器学习是人工智能的一个子领域，广义上定义为机器模仿人类智能行为的能力。人工智能系统用于以类似于人类解决问题的方式执行复杂任务。

计算机科学与人工智能实验室（CSAIL）首席研究员兼信息实验室负责人鲍里斯·卡茨（Boris Katz）表示 ，人工智能的目标是创建能够像人类一样表现出“智能行为”的计算机模型。这意味着机器能够识别视觉场景、理解自然语言文本或在现实世界中执行动作。

机器学习是人工智能的一种应用方式。人工智能先驱 亚瑟·塞缪尔在20世纪50年代将其定义 为“赋予计算机无需明确编程即可学习能力的研究领域”。

• [📖]传递幸福

• [📖]从优秀到卓越：为什么有些公司能成功，而有些却不能

• [📖]你好，初创公司：程序员构建产品、技术和团队的指南

• [📖] Google 的运作方式

• [📖]学习赚钱：​​投资和商业基础知识入门指南

• [📖]重做

• [📖] Airbnb 的故事

• [📖]个人 MBA

• [ ] Facebook：数字营销：入门

• [ ] Facebook：数字营销：更进一步

• [ ] Google Analytics（分析）入门指南

• [ ] Moz：SEO初学者指南

• [ ] Smartly：营销基础知识

• [ ] Treehouse：SEO 基础知识

• [🅤]ꭏ应用盈利

• [🅤]ꭏ应用营销

• [🅤]ꭏ如何创建一家初创公司

自然语言处理

自然语言处理是机器学习的一个领域，它使机器能够学习理解人类口语和书面语的自然语言，而不是通常用于计算机编程的数据和数字。这使得机器能够识别、理解和响应语言，以及创建新文本和进行语言间翻译。自然语言处理使诸如聊天机器人和 Siri 或 Alexa 等数字助理等常见技术成为可能。

神经网络

神经网络是一类常用的特定机器学习算法。人工神经网络以人脑为模型，其中数千甚至数百万个处理节点相互连接并组织成层。

在人工神经网络中，细胞（或称节点）彼此连接，每个细胞处理输入并产生输出，该输出被发送到其他神经元。标记数据在节点（或称细胞）之间移动，每个细胞执行不同的功能。在一个被训练用于识别图片中是否包含猫的神经网络中，不同的节点会评估这些信息，并得出一个输出，指示图片中是否包含猫。

熟悉机器学习在其他公司的应用方式

• [📰] Facebook 如何使用超高效的 AI 模型来检测仇恨言论

• [📰]谷歌翻译的最新进展

• [📰]戛纳：机器学习如何帮助我们每年节省 170 万美元的文档预览费用

• [📰] Monzo 2020 年的机器学习

• [📰] Dropbox 中的图像搜索工作原理

• [ ]现实世界的人工智能案例研究

  • [ ] Andrej Karpathy 谈特斯拉的人工智能（全栈深度学习 - 2018 年 8 月）
  • [ ] Jai Ranganathan，Uber 数据科学（全栈深度学习 - 2018 年 8 月）
  • [ ]思科的 John Apostolopoulos 讨论“网络中的机器学习” 0:48:44
  • [ ] Facebook 应用机器学习总监 Joaquin Candela 与 Esteban Arcaute 对话 0:52:27
  • [ ] Eric Colson，Stitch Fix 首席算法官 0:53:57
  • [ ] Claudia Perlich，Dstillery 顾问兼纽约大学斯特恩商学院兼职教授 0:51:59
  • [ ] Jeff Dean，谷歌高级研究员兼谷歌人工智能高级副总裁 - 深度学习解决挑战性问题 0:58:45
  • [ ] James Parr，FDL Europe 前沿发展实验室 (NASA) 主任兼 Trillium Technologies 首席执行官 0:55:46
  • [ ] Insitro 创始人兼首席执行官 Daphne Koller - 与 Carlos Bustamante 对话 0:49:29
  • [ ] Eric Horvitz，微软研究院 - 开放世界中的人工智能：进步、愿景和挑战 0:56:11
  • [ ] Tony Jebara，Netflix - 用于推荐和个性化的机器学习 0:55:20

• [💻]用熊猫分析警察活动

• [💻] Python 中的人力资源分析：预测员工流失

• 使用Python预测客户流失

• [📺 ] YouTube 如何推荐视频？ - AI 解释！ 0:33:53

• [📺 ]谷歌翻译的人工智能是如何工作的？ 0:15:02

• [📺]金融数据科学 0:17:52

• [📺]人工智能时代

  • [ ]多远才算太远？ | 人工智能时代 0:34:39
  • [ ]通过人工智能治愈 | 人工智能时代 0:39:55
  • [ ]利用人工智能塑造更美好的人类 | 人工智能时代 0:44:27
  • [ ]爱情、艺术与故事：解密 | 人工智能时代 0:38:57
  • [ ]火星的“太空建筑师” | 人工智能时代 0:30:10
  • [ ]机器人会抢走我的工作吗？ | 人工智能时代 0:36:14
  • [ ]用算法拯救世界 | 人工智能时代 0:46:37
  • [ ]人工智能如何搜寻外星人 | 人工智能时代 0:36:12

• [📺]使用意图数据优化自助解决体验

• [📺]数以万亿的问题，没有简单的答案：一部关于谷歌搜索工作原理的（家庭）电影

• [📺] Google 机器学习系统设计模拟面试

• [📺] Netflix 机器学习模拟面试：预先输入搜索

• [📺]机器学习设计：问答搜索引擎

• [📺]实时预测工程系统 @DoorDash

• [📺] Gmail 如何使用迭代设计、机器学习和人工智能来创建更多辅助功能

• [📺] Wayfair 数据科学解释一切：人机循环系统

• [📺]走出实验室：构建真实用户可以使用的 NLP 应用程序

• [📺] Uber 的机器学习（自然语言处理用例）

• [📺] Google Wave：自然语言处理

• [📺] Alexa 中的自然语言理解

• [📺] Alexa AI 系统背后的机器学习

• [📺] Ines Montani 主题演讲 - 应用 NLP 思维

• [📺 ]讲座 9：Lukas Biewald

• [📺 ]第 13 讲：研究方向

• [📺 ]第 14 讲：Jeremy Howard

• [📺 ]第 15 讲：Richard Socher

• [📺] Vicki Boykis 探讨跨行业的机器学习 0:34:02

• [📺 ] Rachael Tatman - 会话 AI 和语言学 0:36:51

• [📺] Nicolas Koumchatzky - 自动驾驶汽车生产中的机器学习 0:44:56

• [📺] Brandon Rohrer - 机器人生产中的机器学习 0:34:31

• [📺 ] [CVPR'21 WAD] 主题演讲 - Andrej Karpathy，特斯拉

能够构建机器学习问题

• [ ] AWS：机器学习解决方案的类型

• [📰]将机器学习应用于您的业务

• [📰]韧性与活力：2020 年数据与人工智能格局

• [📰]软件 2.0

• [📰] ICML 2020 精彩集锦

• [📰]机器学习趋势一瞥

• [📰]如何交付机器学习项目

• [📰]数据科学作为产品

• [📰]客户服务充满了机器学习问题

• [📰]数据科学和机器学习中的选择问题

• [📰]金融业为何部署自然语言处理

• [📰]深度学习的过去 5 年

• [📰]总是从一个愚蠢的模型开始，没有例外。

• [📰] 2018 年最具影响力的人工智能趋势：机器学习工程的兴起

• [📰]构建机器学习产品：定义明确的问题是解决了一半的问题。

• [📰]为构建精美神经网络的普通人提供的简单考虑

• [📰]利用机器学习最大化业务影响

• [📖]人工智能超级大国：中国、硅谷和新世界秩序

• [📖]人类的机器智能指南

• [📖]计算未来

• [📖]机器学习向往 作者：吴恩达

• [📖]预测机器：人工智能的简单经济学

• [📖]构建机器学习驱动的应用程序：从想法到产品

• [ ] Coursera：人人皆可参与的人工智能

• [💻]人人皆可参与的数据科学

• [💻]与专家一起学习机器学习：学校预算

• [💻]人人皆可学习机器学习

• [💻]管理者的数据科学

• [ ] Facebook：机器学习实地指南

• [G]机器学习问题框架简介

• [ ] Pluralsight：如何思考机器学习算法

• [ ] 2020年人工智能现状报告

• [📺] Vincent Warmerdam：解决（错误问题）的职业 | PyData Amsterdam 2019

• [📺] Hugging Face，Transformers | NLP 研究与开源 | Julien Chaumond 访谈

• [📺] Vincent Warmerdam - 按照基于规则的系统行事 | PyData Eindhoven 2020

• [📺]建立模型之前先建立直觉

熟悉数据伦理

• 如何检测人工智能中的偏见

• [ ] Netflix：编码偏见

• [ ] Netflix：大黑客

• [ ] Netflix：社交困境

• [ ]实用数据伦理

  • [ ]第一课：虚假信息
  • [ ]第二课：偏见与公平
  • [ ]第三课：道德基础与实用工具
  • [ ]第四课：隐私与监控
  • [ ]第四课（续）：隐私与监控
  • [ ]第 5.1 课：指标的问题
  • [ ]第 5.2 课：我们的生态系统、风险投资和超速增长
  • [ ]第 5.3 课：只见树木不见森林，客座讲师：Ali Alkhatib
  • [ ]第六课：算法殖民主义及其后续步骤

• [📺 ]讲座 9：伦理学（全栈深度学习 - 2021 年春季） 1:04:50

• [📺] SE4AI：道德与公平 1:18:37

• [📺] SE4AI：安全 1:18:24

• [📺] SE4AI：安全 1:17:37

能够从多个来源导入数据

• [ ]文档：Beautiful Soup 文档

• [💻]在 Python 中导入数据（第 2 部分）

• [💻]使用 Python 进行网页抓取

能够有效地设置数据注释

• [📰]创建合成图像数据集 — “是什么”，“为什么”和“如何”

• [📰]我们需要合成数据

• [📰]在线讨论的弱监督

• [📰]用于数据准备的机器学习基础设施工具

• [📰]探索人类评估者在创建 NLP 数据集中的作用

• [📰]注释者间协议 (IAA)

• [📰]如何在 Python 中计算评级者间信度指标（Cohen's Kappa、Fleiss's Kappa、Cronbach Alpha、Krippendorff Alpha、Scott's Pi、类间相关性）

• [📺] Snorkel：暗数据和机器学习 - Christopher Ré

• [📺]使用 Prodigy 和迁移学习训练 NER 模型

• [📺]使用 Prodigy 训练新实体类型 – 由主动学习驱动的注释

• [📺] ECCV 2020 WSL 教程：4. 人机交互注释

• [📺]主动学习：为什么智能标签是数据注释的未来 | Alectio

• [📺 ]讲座 8：数据管理（全栈深度学习 - 2021 年春季） 0:59:42

• [📺]实验 6：数据标记（全栈深度学习 - 2021 年春季） 0:05:06

• [📺 ]讲座 6：数据管理

• [📺] SE4AI：数据质量 1:07:15

• [📺] SE4AI：数据编程和大数据处理简介 0:33:04

• [📺] SE4AI：管理和处理大型数据集 1:21:27

能够使用 Numpy 处理数据

• [📰] NumPy 和数据表示的视觉介绍

• [📰]使用 numpy 随机数生成器的良好实践

• [📰] NumPy 图解：NumPy 可视化指南

• [📰]数据科学和机器学习的 NumPy 基础知识

• [💻] Python 数据科学简介

• [ ] Pluralsight：使用 NumPy 处理多维数据

能够使用 Pandas 操作数据

• [📰]可视化 Pandas 的旋转和重塑函数

• [📰]使用 Pandas 进行 Python 数据分析的简单视觉介绍

• [📰]使用 Pandas 进行分组和聚合的综合指南

• [📰] 8 个 Python Pandas Value_counts() 技巧，让你的工作更高效

• [💻] Pandas 基础

• [💻]适用于电子表格用户的 Pandas Joins

• [💻]使用 Pandas 操作 DataFrame

• [💻]使用 Pandas 合并 DataFrames

• [💻]使用 Pandas 进行数据操作

• [💻]使用 Pandas 优化 Python 代码

• [💻]使用 Pandas 简化数据提取

• [💻]使用 Pandas 分析营销活动

• [ ] edX：在 Azure HDInsight 中使用 Spark 实现预测分析

• [📰]现代熊猫

  • [ ]现代熊猫（上）
  • [ ]现代熊猫（第二部分）
  • [ ]现代熊猫（第三部分）
  • [ ]现代熊猫（第四部分）
  • [ ]现代熊猫（第五部分）
  • [ ]现代熊猫（第六部分）
  • [ ]现代熊猫（第七部分）
  • [ ]现代熊猫（第八部分）

能够处理电子表格中的数据

• [💻]电子表格基础知识

• [💻]使用电子表格进行数据分析

• [💻]数据科学中级电子表格

• [💻]使用电子表格的数据透视表

• 电子表格中的数据可视化

• [💻]电子表格中的统计数据简介

• [💻]电子表格中的条件格式

• 电子表格中的营销分析

• 电子表格中的错误和不确定性

• [ ] edX：使用 Excel 分析和可视化数据

能够操作数据库中的数据

• [ ] Codecademy：SQL 轨道

• [💻]数据科学 SQL 简介

• [💻] Python 中的 MongoDB 简介

• [💻]中级 SQL

• [💻] SQL 中的探索性数据分析

• [💻]在 PostgreSQL 中连接数据

• [💻]使用 TransactSQL 进行查询

• Python数据库简介

• [💻] SQL 报告

• [💻]将 SQL 应用于实际问题

• [💻]使用 SQL 分析业务数据

• [💻] SQL 中的数据驱动决策

• [💻]数据库设计

• [🅤]ꭏ SQL 用于数据分析

• [🅤]ꭏ关系数据库简介

• [🅤]ꭏ数据库系统概念与设计

能够使用Linux

• [📰]使用 Makefile 简化你的项目

• [📰]了解 Linux 平均负载并监控 Linux 性能

• [📰]命令行工具比 Hadoop 集群快 235 倍

• [ ] Calmcode: makefile

• [ ] Calmcode: entr

• [ ] Codecademy：学习命令行

• [💻] Shell 数据科学简介

• [💻] Bash 脚本简介

• [💻] Shell 中的数据处理

• [ ]麻省理工学院：计算机科学教育缺失的学期

  • [ ]讲座 1：课程概述 + Shell（2020） 0:48:16
  • [ ]讲座 2：Shell 工具和脚本（2020） 0:48:55
  • [ ]讲座 3：编辑器 (vim) (2020) 0:48:26
  • [ ]讲座 4：数据整理 (2020) 0:50:03
  • [ ]讲座 5：命令行环境（2020） 0:56:06
  • [ ]讲座 6：版本控制 (git) (2020) 1:24:59
  • [ ]讲座 7：调试和分析（2020） 0:54:13
  • [ ]第 8 讲：元编程（2020） 0:49:52
  • [ ]讲座9：安全与密码学（2020） 1:00:59
  • [ ]第十讲：百花香 (2020) 0:57:54
  • [ ]第11讲：问答（2020） 0:53:52

• [ ] Thoughtbot：掌握 Shell

• [ ] Thoughtbot：tmux

• Linux命令行基础

• [🅤]ꭏ Shell 工作坊

• [🅤]ꭏ配置 Linux Web 服务器

• [ ] Web Bos：命令行高级用户

• [📺] GNU 并行

能够执行特征选择和工程

• [📰]高级特征工程技巧

• [📰]为机器学习模型准备数据

• [📰]机器学习模型的特征选择

• [📰]从不平衡数据中学习

• [📰]机器学习数据准备黑客指南

• [📰]处理不平衡数据集的实用指南

• 使用Python分析社交媒体数据

• [💻] Python 中的降维

• [💻]使用 Python 进行机器学习的预处理

• [💻]数据科学的数据类型

• [💻]使用 Python 清理数据

• Python 中的机器学习特征工程

• 使用Python导入和管理财务数据

• [💻]在 Python 中操作时间序列数据

• 使用 Python 处理地理空间数据

• 使用Python分析物联网数据

• [💻]使用 Python 处理缺失数据

• [💻] Python 中的探索性数据分析

• [ ] edX：数据科学基础

• [🅤]ꭏ创建分析数据集

• [📺]应用机器学习 2020 - 04 - 预处理 1:07:40

• [📺] AppliedMachine Learning 2020 - 11 - 模型检查与特征选择 1:15:15

能够在笔记本上进行实验

• [📰]在 Jupyter Notebook 中安全地存储配置凭据

• [📰]使用 %autoreload 自动重新加载模块

• [ ] Calmcode: ipywidgets

• [ ]文档：Jupyter 实验室

• [ ] Pluralsight：Jupyter Notebook 和 Python 入门

• [📺] William Horton - Jupyter Notebooks 简史

• [📺 ]我喜欢笔记本

• [📺]我不喜欢笔记本。——乔尔·格鲁斯（艾伦人工智能研究所）

• [📺 ] Ryan Herr - model.fit 之后，部署之前 | JupyterCon 2020

• [📺] nbdev 与 Hamel Husain 一起进行现场编码

• 如何使用JupyterLab

能够可视化数据

• [📰]创建更吸引人的词云演示文稿

• [📰]有效使用 Matplotlib

• Python数据可视化简介

• [💻] Seaborn 简介

• [💻] Matplotlib 简介

• 使用 Seaborn 进行中级数据可视化

• 使用 Python 可视化时间序列数据

• 使用Python改进数据可视化

• 使用 Python 可视化地理空间数据

• [💻]使用 Bokeh 进行交互式数据可视化

• [📺] AppliedMachine Learning 2020 - 02 可视化与 matplotlib 1:07:30

能够利用研究论文进行文献综述

• [ ]论文：神经概率语言模型

• [ ]论文：向量空间中词语表征的有效估计

• [ ]论文：基于神经网络的序列到序列学习

• [ ]论文：通过联合学习对齐和翻译实现神经机器翻译

• [ ]论文：注意力就是你所需要的

• [ ]论文：BERT：用于语言理解的深度双向 Transformer 预训练

• [ ]论文：XLNet：用于语言理解的广义自回归预训练

• [ ]论文：基于同义词的术语加权方案：TF.IDF 的扩展

• [ ]论文：RoBERTa：一种稳健优化的 BERT 预训练方法

• [ ]论文：GLUE：自然语言理解的多任务基准测试和分析平台

• [ ]论文：Amazon.com 推荐商品到商品协同过滤

• [ ]论文：隐式反馈数据集的协同过滤

• [ ]论文：BPR：基于隐式反馈的贝叶斯个性化排名

• [ ]论文：因式分解机

• [ ]论文：推荐系统的广泛和深度学习

• [ ]论文：用于稀疏预测分析的神经分解机

• [ ]论文：多词表达：NLP 的痛点

• [ ]论文：PyTorch：一种命令式高性能深度学习库

• [ ]论文：ALBERT：用于语言表征自监督学习的精简版 BERT

• [ ]论文：基于深度神经网络的自监督视觉特征学习：综述

• [ ]论文：视觉表征对比学习的简单框架

• [ ]论文：前置不变表征的自监督学习

• [ ]论文：FixMatch：简化半监督学习并保证一致性和可信度

• [ ]论文：通过同时聚类和表征学习实现自标记

• [ ]论文：图像分类中的半监督、自监督和无监督技术综述

• [ ]论文：使用 TextRank 和最大边际相关性对印尼语文本进行多文档摘要

• [ ]论文：一次训练，随处测试：零样本学习在文本分类中的应用

• [ ]论文：基于生成语言模型的零样本文本分类

• [ ]论文：如何微调 BERT 进行文本分类？

• [ ]论文：通用句子编码器

• [ ]论文：利用子词信息丰富词向量

• [ ]论文：超越准确性：使用 CheckList 对 NLP 模型进行行为测试

• [ ]论文：伪标签：深度神经网络的简单高效的半监督学习方法

• [ ]论文：半监督学习的时间集成

• [ ]论文：通过知识迁移促进自监督学习

• [ ]论文：后续问题生成

• [ ]论文：硬件彩票

• [ ]论文：通过过度生成转换和排序生成问题

• [ ]论文：好问题！问题生成的统计排序

• [ ]论文：迈向机器学习工程：TensorFlow Extended（TFX）简史

• [ ]论文：神经文本生成：实用指南

• [ ]论文：棉花农场的害虫管理：来自全球南方国家的人工智能系统案例研究

• [ ]论文：BERT2DNN：利用海量未标记数据进行 BERT 蒸馏，用于在线电子商务搜索

• [ ]论文：论监督模型和自监督模型之间惊人的相似之处

• [ ]论文：All-but-the-Top：简单有效的词表征后处理

• [ ]论文：简单有效的词嵌入降维

• [ ]论文：AutoCompete：机器学习竞赛框架

• [ ]论文：在无服务器环境中经济高效地部署 BERT 模型

• [ ]论文：评估基于代码训练的大型语言模型

• [📺] mixup：超越经验风险最小化（论文解析）

能够用数学方法建模问题

• [ ] 3Blue1Brown：微积分的本质

  • [ ]微积分的本质，第 1 章 0:17:04
  • [ ]导数悖论 | 微积分的本质，第二章 0:17:57
  • [ ]几何学中的导数公式 | 微积分的本质，第 3 章 0:18:43
  • [ ]链式法则和乘积法则的可视化 | 微积分的本质，第四章 0:16:52
  • [ ]欧拉常数 e 有何特别之处？| 微积分的本质，第五章 0:13:50
  • [ ]隐式微分，这到底是怎么回事？| 微积分的本质，第六章 0:15:33
  • [ ]极限、洛必达规则和 epsilon delta 定义 | 微积分的本质，第 7 章 0:18:26
  • [ ]积分与微积分基本定理 | 微积分的本质，第 8 章 0:20:46
  • [ ]面积和斜率有什么关系？| 微积分精髓，第九章 0:12:39
  • [ ]高阶导数 | 微积分的本质，第 10 章 0:05:38
  • [ ]泰勒级数 | 微积分的本质，第 11 章 0:22:19
  • [ ]微积分课上不会教你的东西 0:16:22

• [ ] 3Blue1Brown：线性代数的本质

  • [ ]向量究竟是什么？ | 线性代数精髓，第一章 0:09:52
  • [ ]线性组合、跨度和基向量 | 线性代数的本质，第二章 0:09:59
  • [ ]线性变换和矩阵 | 线性代数的本质，第 3 章 0:10:58
  • [ ]矩阵乘法的复合 | 线性代数的本质，第四章 0:10:03
  • [ ]三维线性变换 | 线性代数的本质，第五章 0:04:46
  • [ ]行列式 | 线性代数的本质，第六章 0:10:03
  • [ ]逆矩阵、列空间与零空间 | 线性代数精髓，第七章 0:12:08
  • [ ]非方阵作为维度间的变换 | 线性代数精髓，第 8 章 0:04:27
  • [ ]点积与对偶 | 线性代数精髓，第九章 0:14:11
  • [ ]叉积 | 线性代数的本质，第 10 章 0:08:53
  • [ ]线性变换中的叉积 | 线性代数精髓 第 11 章 0:13:10
  • [ ]克莱姆规则的几何解释 | 线性代数的本质，第 12 章 0:12:12
  • [ ]基的变换 | 线性代数的本质，第13章 0:12:50
  • [ ]特征向量和特征值 | 线性代数的本质，第 14 章 0:17:15
  • [ ]抽象向量空间 | 线性代数的本质，第15章 0:16:46

• [ ] 3Blue1Brown：神经网络

  • [ ]但什么是神经网络？ | 深度学习，第一章 0:19:13
  • [ ]梯度下降，神经网络的学习方式 | 深度学习，第二章 0:21:01
  • [ ]反向传播究竟在做什么？| 深度学习，第三章 0:13:54
  • [ ]反向传播演算 | 深度学习，第 4 章 0:10:17

• [📰]反向传播的视觉之旅

• [📰]熵、交叉熵和 KL 散度

• [📰]概率分布面试指南

• [📰]使用 Python 进行机器学习的线性代数简介

• [📰]概率分布的熵——通俗地说

• [📰] KL 散度 — 通俗来讲

• [📰]概率分布

• [📰]将矩阵重新学习为线性函数

• [📰]你可以自己想出特征向量 - 方法如下

• [📰] PageRank - 特征向量如何赋能 Google 搜索算法

• [📰]交互式可视化：解释特征向量的重要性

• [📰]交叉熵和 KL 散度

• [📰]为什么随机性就是信息？

• [📰]基本概率论

• [📰]机器学习面试必备的数学知识

• [📖]机器学习的线性代数基础

• [💻] Python 统计学简介

• Python概率论基础

• [💻] Python 中的统计思维（第一部分）

• [💻] Python 中的统计思维（第 2 部分）

• [💻] Python 中的统计模拟

• [ ] edX：使用 Excel 进行数据分析的基本统计数据

• [ ]程序员的计算线性代数

• [ ]可汗学院：预备微积分

• [ ]可汗学院：概率

• [ ]可汗学院：微积分

• [ ]可汗学院：多元微积分

• [ ]可汗学院：线性代数

• [ ]麻省理工学院：18.06 线性代数（斯特朗教授）

  • [ ] 1. 线性方程的几何 0:39:49
  • [ ] 2. 矩阵消去。 0:47:41
  • [ ] 3. 乘法和逆矩阵 0:46:48
  • [ ] 4. 分解为 A = LU 0:48:05
  • [ ] 5. 转置、排列、空间 R^n 0:47:41
  • [ ] 6. 列空间与零空间 0:46:01
  • [ ] 9.独立性、基础和维度 0:50:14
  • [ ] 10. 四个基本子空间 0:49:20
  • [ ] 11. 矩阵空间；秩 1；小世界图 0:45:55
  • [ ] 14. 正交向量和子空间 0:49:47
  • [ ] 15. 子空间投影 0:48:51
  • [ ] 16. 投影矩阵和最小二乘法 0:48:05
  • [ ] 17. 正交矩阵与Gram-Schmidt 0:49:09
  • [ ] 21. 特征值和特征向量 0:51:22
  • [ ] 22. 对角化和 A 的幂 0:51:50
  • [ ] 24. 马尔可夫矩阵；傅里叶级数 0:51:11
  • [ ] 25. 对称矩阵与正定性 0:43:52
  • [ ] 27. 正定矩阵与最小值 0:50:40
  • [ ] 29. 奇异值分解 0:40:28
  • [ ] 30. 线性变换及其矩阵 0:49:27
  • [ ] 31. 基础变更；图像压缩 0:50:13
  • [ ] 33. 左逆和右逆；伪逆 0:41:52

• [ ] StatQuest：统计基础知识

  • [ ] StatQuest：直方图，清晰解释 0:03:42
  • [ ] StatQuest：什么是统计分布？ 0:05:14
  • [ ] StatQuest：正态分布，解释得很清楚！！！ 0:05:12
  • [ ]统计学基础知识：总体参数 0:14:31
  • [ ]统计学基础：平均值、方差和标准差 0:14:22
  • [ ] StatQuest：什么是统计模型？ 0:03:45
  • [ ] StatQuest：抽样分布 0:03:48
  • [ ]假设检验与零假设 0:14:40
  • [ ]备选假设：主要思想!!! 0:09:49
  • [ ] p 值：它们是什么以及如何解释它们 0:11:22
  • [ ]如何计算 p 值 0:25:15
  • [ ] p-hacking：它是什么以及如何避免它！ 0:13:44
  • [ ]统计功效，解释清楚！！！ 0:08:19
  • [ ]功率分析，解释得很清楚！！！ 0:16:44
  • [ ]协方差和相关性 第一部分：协方差 0:22:23
  • [ ]协方差和相关性（第 2 部分）：皮尔逊相关性 0:19:13
  • [ ] StatQuest：R平方解释 0:11:01
  • [ ]中心极限定理 0:07:35
  • [ ] StatQuickie：标准差与标准误差 0:02:52
  • [ ] StatQuest：标准误差 0:11:43
  • [ ] StatQuest：技术和生物学重复 0:05:27
  • [ ] StatQuest - 样本量和有效样本量清晰解释 0:06:32
  • [ ]条形图比饼图更好 0:01:45
  • [ ] StatQuest：箱线图，清晰解释 0:02:33
  • [ ] StatQuest：对数（对数），清晰解释 0:15:37
  • [ ] StatQuest：置信区间 0:06:41
  • [ ] StatQuickie：显著性阈值 0:06:40
  • [ ] StatQuickie：使用哪种 t 检验 0:05:10
  • [ ] StatQuest：单尾或双尾 P 值 0:07:05
  • [ ]二项分布与检验，解释得清清楚楚！！！ 0:15:46
  • [ ] StatQuest：分位数和百分位数，解释清楚！！！ 0:06:30
  • [ ] StatQuest：分位数-分位数图（QQ 图），清晰解释 0:06:55
  • [ ] StatQuest：分位数归一化 0:04:51
  • [ ] StatQuest：概率与可能性 0:05:01
  • [ ] StatQuest：最大似然法，解释得很清楚！！！ 0:06:12
  • [ ]指数分布的最大似然法，解释得清清楚楚！V2.0 0:09:39
  • [ ]为什么除以 N 会低估方差 0:17:14
  • [ ]二项分布的最大似然法，解释得很清楚！！！ 0:11:24
  • [ ]正态分布的最大似然法，一步一步来！ 0:19:50
  • [ ] StatQuest：赔率和对数（赔率），解释得很清楚！！！ 0:11:30
  • [ ] StatQuest：优势比和对数（优势比），解释得很清楚！！！ 0:16:20
  • [ ] 2020-04-20 直播!!! 预期值 0:33:00

• [🅤]ꭏ特征向量和特征值

• [🅤]ꭏ线性代数复习

• [🅤]ꭏ统计数据

• [🅤]ꭏ描述统计学简介

• [🅤]ꭏ推论统计学简介

能够设置项目结构

• [📰] pydantic

• [📰]组织机器学习项目：项目管理指南

• [📰]机器学习中的日志记录和调试 - 如何使用 Python 调试器和日志记录模块查找 AI 应用程序中的错误

• [📰]编写深度学习代码的最佳实践：项目结构、OOP、类型检查和文档

• [📰]像专业人士一样配置 Google Colab

• [📰]停止使用 print，开始在 Python 中使用 loguru

• [📰]超现代 Python

• [📰]超现代 Python 第 2 章：测试

• [📰]超现代 Python 第 3 章：Linting

• [📰]超现代 Python 第 4 章：类型

• [📰]超现代 Python 第 5 章：文档

• [📰]超现代 Python 第 6 章：CI/CD

• [📰]推送和拉取：何时以及为何更新依赖项

• [📰]可重复和可升级的 Conda 环境：使用 conda-lock 进行依赖管理

• [📰]打包 Python 代码的选项：Wheels、Conda、Docker 等

• [📰]使模型训练脚本能够稳健地发现中断

• [ ] Calmcode: 日志记录

• [ ] Calmcode: tqdm

• [ ] Calmcode: 虚拟环境

• [ ] Coursera：构建机器学习项目

• [ ]文档：Python 生命周期培训

• [💻]数据工程简介

• [💻] Conda 基本信息

• [💻] Conda 用于构建和分发软件包

• [💻]面向数据科学家的 Python 软件工程

• 使用 Python 设计机器学习工作流程

• Python中的面向对象编程

• Python 中的命令行自动化

• 创建强大的 Python 工作流

• [ ]开发 Python 包

• [ ] Treehouse：面向对象的 Python

• [ ] Treehouse：设置本地 Python 环境

• [🅤]ꭏ编写 README

• [📺]讲座 1：深度学习简介

• [📺]讲座 2：设置机器学习项目

• [📺]讲座 3：文本识别器项目介绍

• [📺 ]讲座 4：基础设施和工具

• [📺] Hydra 配置

• [📺]持续集成

• [📺]数据工程 + 机器学习 + 软件工程 // Satish Chandra Gupta // MLOps 咖啡会议 #16

• [📺] Chris Gerpheide 讲解机器学习的 OO 设计和测试模式

• [📺]教程：Sebastian Witowski - 现代 Python 开发者工具包

• [📺 ]讲座 13：机器学习团队（全栈深度学习 - 2021 年春季） 0:58:13

• [📺 ]讲座 5：机器学习项目（全栈深度学习 - 2021 年春季） 1:13:14

• [📺 ]讲座 6：基础设施与工具（全栈深度学习 - 2021 年春季） 1:07:21

能够对代码进行版本控制

• [📰]掌握 Git Stash 工作流程

• [📰]如何成为 Git 标签大师

• [📰]如何在 Github / Bitbucket 中追踪大文件？Git LFS 来帮忙

• [📰]使用和保持你的 git 目录干净git cleangit trash

• [ ] Codecademy：学习 Git

• [ ]代码学校：Git Real

• [💻]数据科学 Git 简介

• [ ] Thoughtbot：掌握 Git

• [🅤]ꭏ GitHub 与协作

• [🅤]ꭏ如何使用 Git 和 GitHub

• [🅤]ꭏ使用 Git 进行版本控制

• [📺] 045 Git LFS 简介

• [📺] Git 与脚本

能够对数据进行版本控制

• [📺] DVC 基础知识

  • [ ]使用 DVC 进行数据版本控制（实践教程！） 0:13:04
  • [ ]使用 DVC 共享数据和模型（实践数据科学教程！） 0:08:53

• [📰]机器学习操作：数据科学版本控制

• [📺]机器学习项目中的数据版本控制 - Dmitry Petrov 0:34:44

• [ ] Zoom：使用 DVC 进行数据版本控制（第 1 部分）

• [ ] Zoom：使用 DVC 进行数据版本控制（第 2 部分）

能够使用实验管理工具

• [📰]使用 Pytorch Lightning + Weights & Biases 增强你的训练

• [📰]存储机器学习实验的元数据

• [📺]权重和偏差教程

• [📺]使用 PyTorch 集成权重和偏差

• [📺]使用权重和偏差记录（几乎）任何事物

• [📺]实验 5：实验管理（全栈深度学习 - 2021 年春季） 0:30:41

• [📺 ]讲座 5：跟踪实验

• [📺 ]权重与偏差

• [📺] SE4AI：版本控制、出处和可重复性 1:18:29

能够设置模型验证

• [📰]评估机器学习模型

• [📰]验证你的机器学习模型

• [📰]性能测量：AUPRC 和平均精度

• [📰]测量性能：AUC（AUROC）

• [📰]衡量绩效：混淆矩阵

• [📰]衡量性能：准确性

• [📰] ROC 曲线：通过可视化获得直觉

• [📰]多标签分类的准确率、召回率、准确度和 F1 分数

• [📰] AUC 和平均精度完整指南：模拟与可视化

• [📰]训练/验证/测试集拆分的最佳使用方法，以及医疗数据使用技巧

• [📰]评估在线机器学习模型的正确方法

• [📰]代理指标

• [📺]准确性失败

• [📺] AppliedMachine Learning 2020 - 09 - 模型评估与指标 1:18:23

• [📺]机器学习基础：交叉验证 0:06:04

• [📺]机器学习基础：混淆矩阵 0:07:12

• [📺]机器学习基础：敏感性和特异性 0:11:46

• [📺]机器学习基础：偏差和方差 0:06:36

• [📺 ] ROC 和 AUC，解释清楚！ 0:16:26

熟悉模型的内部工作原理

贝叶斯定理非常有趣且适用 ==> - [📰]朴素贝叶斯分类

• [📰]线性回归

• [📰]多项式回归

• [📰]逻辑回归

• [📰]决策树

• [📰] K 最近邻

• [📰]支持向量机

• [📰]随机森林

• [📰]增强树木

• [📰]黑客指南：Python 基础机器学习算法

• [📰]神经网络：激活函数

• [📰]神经网络：使用反向传播进行训练

• 从零开始的神经网络 - 第一部分

• 从零开始的神经网络 - 第二部分

• [📰]感知器到深度神经网络

• [📰]多类分类的 One-vs-Rest 策略

• [📰]多类分类 — 一对多 & 一对一

• [📰]一对多和一对一多类别分类

• 深度学习算法- 完整指南

• [📰]机器学习技术入门

• [ ] AWS：理解神经网络

• [📖]探索深度学习

• [📖]创建你自己的神经网络

• [ ] Coursera：神经网络与深度学习

• [💻]使用 XGBoost 进行极端梯度提升

• [💻] Python 中的集成方法

• [ ] StatQuest：机器学习

  • [ ] StatQuest：用线拟合数据，又称最小二乘法，又称线性回归。 0:09:21
  • [ ] StatQuest：线性模型 Pt.1 - 线性回归 0:27:26
  • [ ] StatQuest：StatQuest：线性模型 Pt.2 - t 检验和方差分析 0:11:37
  • [ ] StatQuest：赔率和对数（赔率），解释得很清楚！！！ 0:11:30
  • [ ] StatQuest：优势比和对数（优势比），解释得很清楚！！！ 0:16:20
  • [ ] StatQuest：逻辑回归 0:08:47
  • [ ]逻辑回归详解 Pt1：系数 0:19:02
  • [ ]逻辑回归详解第 2 部分：最大似然法 0:10:23
  • [ ]逻辑回归详解第 3 部分：R 平方和 p 值 0:15:25
  • [ ]饱和模型和偏差 0:18:39
  • [ ]残差偏差 0:06:18
  • [ ]正则化第一部分：岭（L2）回归 0:20:26
  • [ ]正则化第二部分：Lasso（L1）回归 0:08:19
  • [ ] Ridge 与 Lasso 回归，可视化！！！ 0:09:05
  • [ ]正则化第三部分：弹性网络回归 0:05:19
  • [ ] StatQuest：主成分分析（PCA），分步指南 0:21:57
  • [ ] StatQuest：仅需 5 分钟即可了解 PCA 主要思想！！！ 0:06:04
  • [ ] StatQuest：PCA - 实用技巧 0:08:19
  • [ ] StatQuest: Python 中的 PCA 0:11:37
  • [ ] StatQuest：清晰解释线性判别分析（LDA）。 0:15:12
  • [ ] StatQuest: MDS 和 PCoA 0:08:18
  • [ ] StatQuest：t-SNE 的清晰解释 0:11:47
  • [ ] StatQuest：层次聚类 0:11:19
  • [ ] StatQuest：K均值聚类 0:08:57
  • [ ] StatQuest：K 最近邻，清晰解释 0:05:30
  • [ ]朴素贝叶斯，解释得很清楚！！！ 0:15:12
  • [ ]高斯朴素贝叶斯，解释得很清楚！！！ 0:09:41
  • [ ] StatQuest：决策树 0:17:22
  • [ ] StatQuest：决策树，第 2 部分 - 特征选择和缺失数据 0:05:16
  • [ ]回归树，解释得很清楚！！！ 0:22:33
  • [ ]如何修剪回归树，解释清楚！！！ 0:16:15
  • [ ] StatQuest：随机森林第 1 部分 - 构建、使用和评估 0:09:54
  • [ ] StatQuest：随机森林第 2 部分：缺失数据和聚类 0:11:53
  • [ ]链式法则 0:18:23
  • [ ]梯度下降，一步一步 0:23:54
  • [ ]随机梯度下降，解释得很清楚！！！ 0:10:53
  • [ ] AdaBoost，清晰解释 0:20:54
  • 第一部分：回归的主要思想 0:15:52
  • [⨊ ]第 2 部分：回归细节 0:26:45
  • 第 3部分：分类 0:17:02
  • [⨊ ]第四部分：分类详情 0:36:59
  • [⨊ ]支持向量机，解释得很清楚！！！ 0:20:32
  • [ ]支持向量机（第二部分）：多项式核函数 0:07:15
  • [ ]支持向量机第 3 部分：径向基函数 (RBF) 核 0:15:52
  • [ ] XGBoost 第一部分：回归 0:25:46
  • [ ] XGBoost 第二部分：分类 0:25:17
  • [ ] XGBoost 第 3 部分：数学细节 0:27:24
  • [ ] XGBoost 第 4 部分：超酷的优化 0:24:27
  • [ ] StatQuest：将曲线拟合到数据，又名 lowess，又名 loess 0:10:10
  • [ ]统计学基础知识：总体参数 0:14:31
  • [ ]主成分分析（PCA）清晰解释（2015） 0:20:16
  • [ ] Python 中的决策树从头到尾 1:06:23

• [🅤]ꭏ分类模型

• [📺]使用 Python 从头开始​​构建神经网络

  • [ ]从头开始​​的神经网络 - P.1 简介和神经元代码 0:16:59
  • [ ]从零开始的神经网络 - P.2 编码层 0:15:06
  • [ ]从零开始的神经网络 - P.3 点积 0:25:17
  • [ ]从零开始的神经网络 - P.4 批次、层和对象 0:33:46
  • [ ]从头开始​​的神经网络 - P.5 隐藏层激活函数 0:40:05

• [📺] AppliedMachine Learning 2020 - 03 监督学习和模型验证 1:12:00

• [📺] AppliedMachine Learning 2020 - 05 - 线性回归模型 1:06:54

• [📺] AppliedMachine Learning 2020 - 06 - 分类的线性模型 1:07:50

• [📺] AppliedMachine Learning 2020 - 07 - 决策树和随机森林 1:07:58

• [📺] AppliedMachine Learning 2020 - 08 - 梯度提升 1:02:12

• [📺]应用机器学习 2020 - 18 - 神经网络 1:19:36

• [📺] AppliedMachine Learning 2020 - 12 - AutoML（以及一些特征选择） 1:25:38

能够改进模型

• [📰]深度神经网络：防止过度拟合

• [📰]规范化你的数据（具体来说，输入和批量规范化）

• [📰]批量标准化

• [📰]深度神经网络是否严重过度拟合？

• [📰]用于训练非常深的神经网络的层内规范化技术

• [📰]使用 Microsoft Excel 解释标签平滑

• [📰]不确定性量化第 4 部分：利用神经网络 (CNN) 中的 Dropout

• [📰]解决类别不平衡的简单方法

• [📺] AppliedMachine Learning 2020 - 10 - 校准、不平衡数据 1:16:14

• [📺 ]讲座 10：深度神经网络故障排除

熟悉机器学习的基本概念

美国有线电视新闻网

• [📰]联系：对数似然、交叉熵、KL 散度、逻辑回归和神经网络

• [📰] MLE 和 MAP — 通俗来讲

• [ ]梯度下降优化算法概述

• [📰] 2017 年深度学习优化亮点

• [📰]梯度下降

• [📰]设置神经网络的学习率

• [📰]交叉熵分类

• [📰]拆解神经网络，用数学和 Pytorch 理解其内部工作原理

• [💻]人工智能基础知识

• Python 预测分析基础（第一部分）

• Python 预测分析基础（第 2 部分）

• [ ]人工智能的要素

• [ ] edX：机器学习原理

• [ ] edX：数据科学基础

• [📺] Fast.ai：面向程序员的深度学习（2020）

  • [ 📺]第 0 课
  • [📺 ]第 1 课
  • [📺 ]第二课
  • [📺 ]第三课
  • [📺 ]第四课
  • [📺]第五课
  • [📺]第六课
  • [📺]第七课
  • [📺 ]第 8 课

• [📺 ]深层双重下降

在 scikit-learn 中实现模型

• [📰]使用 Sklearn 轻松实现堆叠

• [📰]使用 Python 进行曲线拟合

• [📰] Python 校准图指南

• [ ] Calmcode：人类学习

• [💻]使用 scikit-learn 进行监督学习

• 使用 Python 中的基于树的模型进行机器学习

• Python线性建模简介

• Python 中的线性分类器

• [💻] Python 中的广义线性模型

• [ ]笔记本：scikit-learn 技巧

• [ ] Pluralsight：使用 scikit-learn 在 Python 中构建机器学习模型

• [ ]视频：人类学习

• [📺] dabl：人类参与的自动机器学习 00:25:43

• [📺]多标签和多输出分类 - 使用 TensorFlow 和 scikit-learn 在 Python 上进行机器学习

• [📺] DABL：人类参与的自动机器学习 - AI Latim American SumMIT 第一天

能够在 Tensorflow 和 Keras 中实现模型

• [ ] Coursera：Tensorflow 简介

• [ ] Coursera：TensorFlow 中的卷积神经网络

• [ ] Deeplizard：Keras - Python 深度学习神经网络 API

• [📖]使用 Python 进行深度学习（第 276 页）

• [💻] Python 中的深度学习

• 用于图像处理的卷积神经网络

• [💻] Python 中的 TensorFlow 简介

• [💻]使用 Keras 进行深度学习的介绍

• [💻]使用 Keras 进行高级深度学习

• [G]机器学习速成课程

• [ ] Pluralsight：使用 Keras 进行深度学习

• [🅤]ꭏ深度学习的 TensorFlow 简介

能够在 PyTorch 中实现模型

• [📰]紧跟 PyTorch Lightning 和 Hydra

• [📰]你应该知道的一个 PyTorch 技巧

• [📰]自动微分究竟是如何工作的？

• 最大化 PyTorch 性能的 7 个技巧

• [📰] PyTorch Lightning 简介并与 PyTorch 进行比较

• [📰]从 Keras 转换为 PyTorch Lightning

• [📰]从 PyTorch 到 PyTorch Lightning — 简要介绍

• [📰] PyTorch Lightning Sharded 介绍：使用一半的内存训练 SOTA 模型

• [📰] Sharded：一种使 PyTorch 模型大小翻倍的新技术

• [📰]理解 PyTorch 中的双向 RNN

• [📰]使用 PyTorch 进行混合精度训练的开发人员友好指南

• [📰] PyTorch 中模型修剪的开发人员友好指南

• [📰]使用 PyTorch 进行模型量化的开发人员友好指南

• [📰]训练 PyTorch 模型以使其更快收敛的技巧

• [📰] PyTorch Lightning Bolts — 从 TPU 上的线性逻辑回归到预训练 GAN

• [📰]通过多 GPU/TPU 训练扩展逻辑回归

• [📰]大批量神经网络训练：单 GPU、多 GPU 和分布式设置的实用技巧

• [📰] PyTorch Lightning 0.9 — 同步 BatchNorm、DataModules 和最终 API！

• PyTorch Lightning：指标

• PyTorch Lightning 0.8.1 中的 PyTorch 多 GPU 指标库及更多功能

• [📰]使用 DistributedDataParallel 在 PyTorch 中进行分布式模型训练

• [📰]使用 DistributedDataParallel 在 PyTorch 中进行分布式模型训练

• [📰] EINSUM 就是你所需要的 - 深度学习中的爱因斯坦总结

• [📰]使用 PyTorch 加速深度学习训练 – 2021 年指南

• [📰]通过 DeepSpeed 和 FairScale 使用 ZeRO 进行更多拟合并加快训练速度

• [📰] PyTorch Lightning V1.2.0-DeepSpeed，修剪，量化，SWA

• [📰]但是 PyTorch DataLoaders 到底是什么？

• [📰]使用 PyTorch + NumPy？你犯了一个错误。

• Wadhwani AI 如何利用 PyTorch 赋能棉农

• [📰]驯服 LSTM：可变大小的 mini-batch 以及 PyTorch 为何有益于健康

• 如何使用 PyTorch 构建流数据加载器

• [📰]使用 Hummingbird 将你的 ML 模型转换为 Pytorch

• PyTorch 损失函数：终极指南

• [📰]使用 DataLoader 进行 Pytorch 批处理的 Pad pack 序列

• [📰]模型并行

• [ ]笔记本：张量算术

• [ ]笔记本：Autograd

• [ ]笔记本：优化

• [ ]笔记本：网络模块

• [ ]笔记本：数据集和数据加载器

• [ ]文档：Pytorch Lightning

• PyTorch深度学习简介

• [ ] Deeplizard：神经网络编程 - 使用 PyTorch 进行深度学习

• [🅤]ꭏ使用 PyTorch 进行深度学习简介

• PyTorch Lightning 101

  • [ ]使用 PyTorch 在 MNIST 上训练分类模型
  • [ ]从 PyTorch 到 PyTorch Lightning
  • [ ]闪电数据模块
  • [ ] PyTorch Dropout、Batch 大小和交互式调试
  • [ ]第 4 集：实现 PyTorch 训练器：PyTorch Lightning 训练器及其底层回调

• [📺]使用 PyTorch Lightning 进行 SimCLR

• PyTorch性能调优指南 26:41:00

• [📺]使用 PyTorch 检测皮肤癌

  • [ ] [第 1 部分] 使用 PyTorch 检测皮肤癌 0:10:21
  • [ ] [第 2 部分] 使用 PyTorch 检测皮肤癌 0:21:57
  • [ ] [第 3 部分] 使用 PyTorch 检测皮肤癌 0:22:24

• [📺]使用 Lightning 学习

• PyTorch 教程 - RNN、LSTM 和 GRU - 循环神经网络 00:15:51

• [📺] Pytorch 从零到全

  • [ ] PyTorch 讲座 01：概述 0:10:18
  • [ ] PyTorch 讲座 02：线性模型 0:12:52
  • [ ] PyTorch 讲座 03：梯度下降 0:08:24
  • [ ] PyTorch 讲座 04：反向传播和自动求导 0:15:25
  • [ ] PyTorch 讲座 05：PyTorch 方式的线性回归 0:11:50
  • [ ] PyTorch 讲座 06：逻辑回归 0:10:41
  • [ ] PyTorch 讲座 07：广度与深度 0:10:37
  • [ ] PyTorch讲座08：PyTorch DataLoader 0:06:41
  • [ ] PyTorch 讲座 09：Softmax 分类器 0:18:47
  • [ ] PyTorch 讲座 10：CNN 基础 0:15:52
  • [ ] PyTorch 讲座 11：高级 CNN 0:12:58
  • [ ] PyTorch 讲座 12：RNN1 - 基础知识 0:28:47
  • [ ] PyTorch 讲座 13：RNN 2 - 分类 0:17:22

• [ ] 2020 PyTorch 开发者日 | 完整直播

• [📺]闪电聊天：大师级选手如何使用 Pytorch Lightning 赢得 Kaggle 比赛

• [📺]使用 PyTorch 进行生产推理部署

• [📺 ]什么是自动微分？

• [📺] JAX：通过 Python 中的可组合函数转换加速机器学习研究

能够使用云服务实现模型

• [ ] AWS：Amazon Transcribe 深度探究：使用反馈循环提高转录的可信度

• [ ] AWS：使用 AWS Glue 和 Amazon SageMaker 构建文本分类模型

• [ ] AWS：深入探究 Amazon Rekognition：构建基于计算机视觉的智能应用程序

• [ ] AWS：Rekognition 实践：自动视频编辑

• [ ] AWS：Amazon Comprehend 简介

• [ ] AWS：Amazon Comprehend Medical 简介

• [ ] AWS：Amazon Elastic Inference 简介

• [ ] AWS：Amazon Forecast 简介

• [ ] AWS：Amazon Lex 简介

• [ ] AWS：Amazon Personalize 简介

• [ ] AWS：Amazon Polly 简介

• [ ] AWS：Amazon SageMaker Ground Truth 简介

• [ ] AWS：Amazon SageMaker Neo 简介

• [ ] AWS：Amazon Transcribe 简介

• [ ] AWS：Amazon Translate 简介

• [ ] AWS：AWS Marketplace 简介 - 机器学习类别

• [ ] AWS：机器学习考试基础

• [ ] AWS：使用 Sockeye 进行神经机器翻译

• [ ] AWS：流程模型：AWS Stack 上的 CRISP-DM

• [ ] AWS：SageMaker 中的卫星图像分类

• [💻]使用 Python 实现 AWS Boto 简介

• [ ] edX：Amazon SageMaker：简化机器学习应用程序开发

能够应用无监督学习算法

• [📰]解密生成对抗网络（GAN）

• [📰]计算机视觉中的 GAN - 条件图像合成和 3D 对象生成

• [📰]计算机视觉中的 GAN - 使用 Wasserstein 距离、博弈论控制和渐进式增长方案改进训练

• [📰]计算机视觉中的 GAN - 生成学习简介

• [📰]计算机视觉中的 GAN - 自监督对抗训练和融合风格的高分辨率图像合成

• [📰]计算机视觉中的 GAN - 语义图像合成和从单个图像学习生成模型

• [📰]论文摘要：DeViSE：深度视觉语义嵌入模型

• [📰]对比自监督学习

• [📰]从自动编码器到 Beta-VAE

• [📰]自监督表征学习

• [📰]自监督学习：智力的暗物质

• [📰]使用“Bootstrap Your Own Latent”（BYOL）理解自监督学习和对比学习

• [📰]如何使用自动编码器生成图像

• [📰]自动编码器简介

• [📰]基于高斯混合模型（EM）的软聚类

• [📰]变分自动编码器

• [📰]使用自动编码器构建一个简单的图像检索系统

• [📰]深入探究自动编码器

• [📰]半监督学习的代理标签方法概述

• [📰]利用深度半监督学习从研究到生产

• [📰]亲和传播算法详解

• [📰]算法解析：亲和传播

• [📰]创建、可视化和解释客户细分

• [📰]对比自监督学习框架及新方法设计

• [📰] EfficientDet 与 Pytorch-Lightning 的结合

• [📰]主成分分析（PCA）

• [📰] RecSys 2020 - 要点和值得关注的论文

• [📰]使用 K 均值聚类对数据点进行分组

• [📰] HDBSCAN 和基于密度的聚类的简单介绍

• [📰] Deepfakes：使用 GAN 和自动编码器进行人脸合成

• [📰]通过对比聚类分配进行视觉特征的无监督学习

• [ ]伯克利：深度无监督学习 2020 年春季

  • [ ] L1 简介 -- CS294-158-SP20 深度无监督学习 -- 加州大学伯克利分校，2020 年春季 1:10:02
  • [ ] L2 自回归模型 -- CS294-158-SP20 深度无监督学习 -- 加州大学伯克利分校，2020 年春季 2:27:23
  • [ ] L3 流模型 -- CS294-158-SP20 深度无监督学习 -- 加州大学伯克利分校 -- 2020 年春季 1:56:53
  • [ ] L4 潜在变量模型 (VAE) -- CS294-158-SP20 深度无监督学习 -- 加州大学伯克利分校 2:19:33
  • [ ]讲座 5 隐式模型——GAN 第一部分 --- 加州大学伯克利分校，2020 年春季 2:32:32
  • [ ]讲座 6 隐式模型 / GAN 第二部分 --- CS294-158-SP20 深度无监督学习 -- 伯克利 2:09:14
  • [ ]讲座 7：自监督学习 -- 加州大学伯克利分校 2020 年春季 - CS294-158 深度无监督学习 2:20:41
  • [ ] L8 无监督学习方法的优缺点总结——加州大学伯克利分校 SP20 0:41:51
  • [ ] L9 半监督学习和无监督分布对齐 -- CS294-158-SP20 加州大学伯克利分校 2:16:00
  • [ ] L10 压缩 - 加州大学伯克利分校，2020 年春季，CS294-158 深度无监督学习 3:09:49
  • [ ] L11 语言模型 -- 客座讲师：Alec Radford (OpenAI) --- 深度无监督学习 SP20 2:38:19
  • [ ] L12 强化学习的表征学习 --- CS294-158 加州大学伯克利分校 2020 年春季 2:01:56

• [💻]使用 Python 进行客户细分

• Python 中的无监督学习

• [ ]演示文稿：揭秘视觉识别的自监督学习

• [ ] DeepMind：数据效率低下

• [G]聚类

• [🅤]ꭏ分割与聚类

• [ ] Wandb：使用 SwAV 进行无监督视觉表征学习

• [📺] AppliedMachine Learning 2020 - 14 - 聚类和混合模型 1:26:33

• [📺] AppliedMachine Learning 2020 - 13 - 降维 1:30:34

• [📺] BYOL：引导你自己的潜在学习：一种自我监督学习的新方法（论文解释）

• [📺]对自我监督的批判性分析，或者我们可以从单个图像中学到什么（论文解释）

• [📺 ]第 10 周 - 讲座：计算机视觉（CV）中的自监督学习（SSL）

• [📺] CVPR 2020 教程：迈向高效标注学习

• [📺 ] Yuki Asano | 自监督 | 自标记 | 标记未标记视频 | CV | CTDS.Show #81

• [📺]使用 SwAV 进行对比聚类

• [📺 ]变分自动编码器 - 解释！ 0:17:36

• [📺] OptaProAnalyticsForum– 学习观看足球比赛：用于跟踪数据的自监督表示

• [📺 ]神经网络能分辨出图像是否是镜像的吗？ – 视觉手性

• [📺] Deep InfoMax：通过相互信息估计和最大化学习深度表示

• [ ] 2020 年夏季深度学习讲座

  • [ ]深度学习：无监督学习 - 第一部分
  • [ ]深度学习：无监督学习 - 第 2 部分
  • [ ]深度学习：无监督学习 - 第 3 部分
  • [ ]深度学习：无监督学习 - 第 4 部分
  • [ ]深度学习：无监督学习 - 第 5 部分
  • [ ]深度学习：弱监督学习和自监督学习 - 第一部分
  • [ ]深度学习：弱监督学习和自监督学习 - 第二部分
  • [ ]深度学习：弱监督学习和自监督学习 - 第 3 部分
  • [ ]深度学习：弱监督学习和自监督学习 - 第 4 部分

• [ ] ECCV 2020：有限标签或数据学习的新前沿

  • [ ]有限标签或数据学习新前沿介绍
  • [ ]从图像集合中进行自监督部分和视点发现
  • [ ]学习跨实例和视频帧的视觉对应关系
  • [ ]无标签世界中的无限标签：带有噪声标签的弱监督

• [📺]自监督学习 - 下一步是什么？ - ECCV 2020 研讨会，8 月 28 日

  • [ ]自我监督学习的下一个挑战 - Aäron van den Oord 0:20:13
  • [ ]无监督表征学习的观点 - Paolo Favaro 0:42:41
  • [ ]使用少量标签学习和迁移视觉表征 - Carl Doersch 0:32:53
  • [ ]自我监督作为后数据集时代的道路 - Alexei Alyosha Efros 0:38:06

• [📺] Marco Cuturi - 最优传输入门

• [📺] Sebastian Ruder：领域转移下的神经半监督学习

• [📺]聚类算法

能够实现 NLP 模型

• [📰]使用 Python 修复常见的 Unicode 错误 — — 事后修复

• [📰]自然语言处理中 10 种流行的关键词提取算法

• [📰]解构 BERT

• [📰]如何使用序列到序列模型创建神奇的数据产品

• [📰]为什么 Rasa 在 Transformer 中使用稀疏层

• [📰]文档语义搜索

• [📰]位置敏感哈希和单复数名词转换

• [📰]使用 Spacy、Flask 和 FuzzyWuzzy 构建关键字提取 API

• [📰]隐马尔可夫模型中隐藏了什么？

• [📰]使用 BERT 进行无监督 NER

• [📰]无监督创建可解释的句子表征

• [📰]无监督同义词收集

• [📰]使用 RoBERTA 进行零样本 NER

• [📰]最大化 BERT 模型性能

• [📰]用于无监督任务解决的瑞士军刀

• [📰] 2018 年 NLP 领域 10 个激动人心的想法

• [📰] 74 篇机器学习和 NLP 研究摘要

• [📰]通过将知识从交叉编码器迁移到双编码器，改进 BERT 模型

• [📰]学习选择迁移学习的数据

• [📰] T5 — 探索迁移学习极限的模型

• [📰] NLP 中的迁移学习现状

• [📰] Haystack：2021 年搜索现状

• 如何利用迁移学习构建最先进的对话式人工智能

• [📰]自然语言处理的常识推理

• [📰]语言模型

• [📰]释义

• [📰]穷人的 GPT-3：使用 T5 Transformer 生成少量文本

• [📰]文本生成

• [📰]使用即插即用语言模型控制文本生成

• [📰]怎样才能进行一次良好的对话？

• [📰]如何用胡言乱语窃取现代 NLP 系统？

• [📰] NLP 及其他领域中嵌入的直觉与用例

• [📰]图解 BERT、ELMo 等（NLP 如何破解迁移学习）

• [📰]图解 GPT-2（可视化 Transformer 语言模型）

• [📰]图解变压器

• [📰]图解 Word2vec

• [📰]深入探究 Reformer

• [📰] Transformer 中的长期上下文综述

• [📰]带有产品密钥的大型内存层

• [📰]最优传输和 Sinkhorn Transformer

• [📰]模式利用训练

• [📰] Talking-Heads 注意力

• 如何将 BERT 应用于阿拉伯语和其他语言

• [📰]神经语言模型作为领域特定知识库

• [📰]特定领域的 BERT 模型

• [📰]现有的命名实体识别工具

• [📰]智能批处理教程 - 加速 BERT 训练

• [📰]注意力？另一种视角！（第二部分）

• [📰]注意力？另一种视角！（第三部分）

• [📰]注意力？另一种视角！（第四部分）

• [📰]注意力？另一种视角！（第五部分）

• [📰]注意力？另一种视角！（第一部分）

• [📰]重建拼写检查器，第 4 部分：建议算法简介

• [📰]重建拼写检查器：Hunspell 和编辑顺序

• [📰]重建最受欢迎的拼写检查器。第 1 部分

• [📰]重建拼写检查器，第 2 部分：他们说，只需查字典！

• [📰]重建拼写检查器，第 3 部分：查找——复合词和解决方案

• [📰] 2018 年自动主题标签：历史与趋势

• [📰]深度学习 NLP 最佳实践

• [📰]深度学习和 NLP 中的注意力和记忆

• [📰]长短期记忆：使用 PyTorch 从零开始到英雄

• [📰]深度学习 NLP 的十大趋势

• [📰]图解 Wav2vec

• [📰]自然语言处理的神经历史回顾

• [📰] ColumnTransformer 遇见自然语言处理

• [📰]用于自然语言处理的神经迁移学习

• [📰]追踪自然语言处理的进展

• [📰]使用 Pytorch 实现 Bengio 的神经概率语言模型 (NPLM)

• [📰]利用预训练语言模型检查点构建编码器-解码器模型

• [📰]一个提示值多少个数据点？

• [📰] NLP：预训练情绪分析

• [📰]基于 Transformer 的编码器-解码器模型

• [📰]理解 BigBird 的块稀疏注意力机制

• [📰]使用 BERTopic 进行交互式主题建模

• [📰]通过主题建模了解气候变化领域

• [📰]当主题建模成为文本预处理的一部分时

• [📰]使用 BERT 进行关键字提取

• [📰]使用 BERT 进行主题建模

• [📰]使用 Self-Attention Transformer 进行问题分类 — 第 1.1 部分

• [📰]使用 Self-Attention Transformer 进行问题分类 — 第 1 部分

• [📰]使用 Self-Attention Transformer 进行问题分类 — 第 2 部分

• [📰]使用 Self-Attention Transformer 进行问题分类 — 第 3 部分

• [📰]广义语言模型

• [📰]学习词嵌入

• [📰]降低语言模型中的毒性

• [📰] Transformer 家族

• [📰] DialogRPT 与 Huggingface Transformers

• [📰] Hugging Face Reads - 2021 年 1 月 - 稀疏性和剪枝

• [📰]拥抱脸读，2021 年 2 月 - 远程变形金刚

• [📰]将 fairseq wmt19 翻译系统移植到 transforms

• [📰]关于词嵌入 - 第一部分

• [📰]关于词嵌入 - 第 2 部分：近似 Softmax

• [📰]关于词嵌入 - 第 3 部分：word2vec 的秘密成分

• [📰] 2017 年词嵌入：趋势和未来方向

• [📰] DaCy：丹麦语 NLP 中快速高效的全新先进技术！

• [📰] 2020 年最先进的语言模型

• [📰] 2020 年机器学习和 NLP 出版物

• [📰]现代 NLP 中的零样本学习

• [📰]循环神经网络简介

• [📰]理解 LSTM 网络

• [📰]无需神经网络即可解释 RNN

• [📰]理解用于 NLP 的卷积神经网络

• [📰]搜索（第一部分）— 简介

• [📰]搜索（第二部分）——语义赛马

• [📰]搜索（第 3 部分）— Elastic Transformers

• [📰]改进的少样本文本分类

• [📰]通过少量训练样本进行文本分类

• [📰]多标签文本分类

• [📰]使用 BERT 嵌入进行语义搜索

• [📰]语义搜索能为您做什么

• 如何利用深度学习为任意对象创建自然语言语义搜索

• 如何实现用于自然语言处理的集束搜索解码器

• [📰]使用 Scikit-Learn 创建基于类的 TF-IDF

• [📰]使用 BERT、TF-IDF 等进行字符串匹配！

• [📰]如何使用 n-gram 模型检测数据集中的格式错误

• [📰]循环神经网络的不合理有效性

• [📰]基于 BERT 的模型回顾

• [📰]文档聚类

• [📰]使用片段嵌入进行文档搜索

• [ ]文档：Huggingface 模型摘要

• [ ]文档：标记器摘要

• [📰] GPT-2 一种新兴的迁移学习方法，可以消除某些 NLP 任务中的监督学习

• [📰]语言建模的评估指标

• [📰]表征学习与检索

• [📰]跨语言词嵌入模型综述

• [📰]无监督跨语言表征学习

• [📰]拼写纠正：如何制作准确快速的拼写纠正器

• [📰] Speller100：针对 100 多种语言的大规模零样本拼写纠正

• [📰]理解 BERT 的语义解释

• [📰]使用 NLP（BERT）提高 OCR 准确率

• [📰]词嵌入家族简述（2019）

• [📰]最新 NLP 模型的输入表征趋势（2019）

• [📰]深度神经网络中的多任务学习概述

• [📰]自然语言处理的多任务学习目标

• [📰] BERT 微调的 GPU 基准测试

• [📰]语言模型微调的最新进展

• [📰]当前最佳的通用词嵌入和句子嵌入

• [📰]关键词提取的主题建模

• [📰]理解 ARPA 和语言模型

• [📰]用于聚类的高斯混合模型

• [📰]使用 LIME 和 SHAP 解释 NLP 模型

• [📰]如何解决 90% 的 NLP 问题：分步指南

• [📰] GPT-2 知道你的电话号码吗？

• 如何通过将任务描述与监督学习相结合来超越 GPT- 3

• [📰] LSTM 入门与实际应用（DeepMind 肾损伤预测）*

• [📰] T5 - XLNet - 一个聪明的语言建模解决方案

• [📰]使用 NLP 问答系统研究气候灾害和基于自然的解决方案

• [📰] 🤗Transformers 超参数优化指南

• [📰]如何用言语和反击做事

• [📰]自动摘要特朗普的国情咨文

• [📰]使用 BERT 解决任何实体类型的 NER 问题，且仅需很少的训练数据（与过去的方法相比）

• [📰]关于 BERT 和 Transformer 架构你需要知道的 10 件事，它们正在重塑 AI 格局

• [📰]语义蕴涵

• [📰]缩小 fastText 嵌入以适应 Google Colab

• [📰]模糊匹配/模糊逻辑解释

• [📰] RNN 底层原理

• [📰]我们所有的 N-gram 都属于你

• [📰]困惑直觉（及其推导）

• [📰]使用隐马尔可夫链模型进行词性标注

• [📰] NLP 年度回顾

• [📰]从文化维度理解 WORD2VEC

• [📰]探索 LSTM

• [📰]基于方面的观点挖掘（使用 Python 进行 NLP）

• [📰] pyLDAvis：每个 NLP 数据科学家都应该知道的主题建模探索工具

• [📰] 2020 年机器学习和 NLP 研究亮点

• [📰]介绍 spaCy

• [📰] 3 个子词算法有助于提升你的 NLP 模型性能

• [📰]检查 BERT 的原始嵌入

• [📰]通过示例理解 LSTM

• [📰] Transformer 详解

• [📰]了解 ULMFIT 的构成要素

• [📰]使用 fastText 和 BM25 构建句子嵌入索引

• [📰]带注释的 GPT-2

• [📰]用户评论的关键主题提取和上下文情绪

• [📰] Google mT5 多语言文本到文本转换器：论文简要分析

• [📰]使用 PyTorch 和 Google Colab 构建 RNN 很有趣

• [📰]使用 Hugging Face 和 ONNX Runtime 实现更快、更小的量化 NLP

• [📰]可视化神经机器翻译模型（带有注意力机制的 Seq2seq 模型）

• [📰]我如何使用深度学习来训练聊天机器人像我一样说话（有点）

• [📰]使用 Transformer 生成问题

• [📰]基于特征的 BERT 方法

• [📰]表演者：核技巧、随机傅里叶特征和注意力机制

• [📰]文本相似度：估计两个文本之间的相似度

• [📰] NLP 的 ImageNet 时刻已经到来

• [📰]带有贪婪解码的简单 PyTorch Transformer 示例

• [📰]字符级语言模型 RNN

• [📰]我们如何使用 Universal Sentence Encoder 和 FAISS 使我们的搜索智能化 10 倍

• [📰]使文本增强适应行业问题

• [📰]带注释的 Transformer

• OpenAI 的GPT -3 语言模型：技术概述

• [📰]监督学习的 NLP 简要概述

• [📰] NLP 中的 4 个最大开放问题

• GPT3 的工作原理

• [📰]为什么除了英语之外你还应该做 NLP

• [📰]打破拼写检查的魔咒

• [📰]如何编写拼写检查器

• [📰]计算机拼写检查

• [📰]拼写检查器曾经是软件工程的一项重大成就

• [📰]拼写纠正算法速度提高 1000 倍（2012 年）

• [📰]剪枝基数树 — 强化版基数树

• [📰]文本数据清理 - 动态嵌入可视化

• [📰]旋转嵌入：一场相对革命

• [📰]使用嵌入来帮助在搜索中查找类似的餐厅

• [📰] Swiggy 的 feed 排名演变与实验

• [📰]个性化 Swiggy POP 推荐

• [📰] Fan(s)tastic：快速搜索结果

• [📰]查找我的食物：使用孪生网络进行食物搜索的语义嵌入

• [📰]学习对餐厅进行排名

• [📰]词义消歧已经过时了吗？

• [📰]基于实体级别的命名实体评估指标

• [📰] Ngram 模糊匹配方法比较

• [📰]字符串相似度——了解算法的基本指南！

• [📰]词到向量的演化

• [ ]循环神经网络的简单介绍

• [📖]自然语言处理中的嵌入

• [📖]自然语言处理的语言学基础：形态学和句法学的 100 个要点

• [ ] Coursera：序列模型

• [ ] Coursera：TensorFlow 中的自然语言处理

• [ ] CMU：2020 年低资源 NLP 训练营

  • [ ] CMU 低资源 NLP 训练营 2020 (1)：NLP 任务 1:46:06
  • [ ] CMU 低资源 NLP 训练营 2020 (2)：语言学 - 音系学与形态学 1:24:08
  • [ ] CMU 低资源 NLP 训练营 2020 (3)：机器翻译 1:55:59
  • [ ] CMU 低资源 NLP 训练营 2020 (4)：语言学 - 句法与形态句法 2:00:21
  • [ ] CMU 低资源 NLP 训练营 2020 (5)：神经表征学习 1:19:57
  • [ ] CMU 低资源 NLP 训练营 2020 (6)：多语言 NLP 2:04:34
  • [ ] CMU 低资源 NLP 训练营 2020 (7)：语音合成 2:22:14

• [ ] CMU：2021 年 NLP 神经网络

  • [ ] CMU 2021 年 NLP 神经网络 (1)：引言 1:22:40
  • [ ] CMU 2021 年 NLP 神经网络 (2)：语言建模、效率 / 训练技巧 0:58:24
  • [ ] CMU 2021 年 NLP 神经网络 (3)：构建 NLP 神经网络工具包，minnn 0:34:42
  • [ ] CMU 2021 年 NLP 神经网络 (4)：神经网络的效率技巧 0:43:28
  • [ ] CMU 2021 年 NLP 神经网络 (5)：循环神经网络 0:38:50
  • [ ] CMU 2021 年 NLP 神经网络 (6)：条件生成 0:45:06
  • [ ] CMU 2021 年自然语言处理神经网络 (7)：注意力机制 0:38:23
  • [ ] CMU 2021 年 NLP 神经网络 (8)：分布语义与词向量 0:42:44
  • [ ] CMU 2021 年 NLP 神经网络 (9)：句子和上下文词表示 0:50:53
  • [ ] CMU 2021 年自然语言处理神经网络 (11)：基于局部独立性假设的结构化预测 0:36:43
  • [ ] CMU 2021 年自然语言处理神经网络 (10)：神经网络调试（自然语言处理） 0:43:58
  • [ ] CMU 2021 年自然语言处理神经网络 (12)：模型解释 0:28:52
  • [ ] CMU 2021 年 NLP 神经网络 (13)：生成树和图 0:41:05
  • [ ] CMU 2021 年自然语言处理神经网络 (14)：基于边际和强化学习的结构化预测 0:47:20
  • [ ] CMU 2021 年自然语言处理神经网络 (15)：序列到序列预训练 0:27:22
  • [ ] CMU 2021 年自然语言处理神经网络 (16)：使用神经网络进行机器阅读 0:43:08
  • [ ] CMU 2021 年 NLP 神经网络 (17)：神经网络 + 知识库 0:44:19
  • [ ] CMU 2021 年自然语言处理神经网络 (18)：高级搜索算法 0:47:58
  • [ ] CMU 2021 年自然语言处理神经网络 (19)：对抗方法 0:41:56
  • [ ] CMU 2021 年自然语言处理神经网络 (20)：包含潜在随机变量的模型 0:41:06
  • [ ] CMU 2021 年自然语言处理神经网络 (21)：多语言学习 0:33:10
  • [ ] CMU 2021 年自然语言处理神经网络 (22)：自然语言处理中的偏差 0:32:44
  • [ ] CMU 2021 年自然语言处理神经网络 (23)：文档级模型 0:40:04

• [ ] CMU 多语言 NLP 2020

  • [ ] CMU 多语言 NLP 2020 (1): 引言 1:17:29
  • [ ] CMU 多语言 NLP 2020 (2): 类型学 - 语言空间 0:37:13
  • [ ] CMU 多语言 NLP 2020 (3)：词汇、词性、形态 0:38:58
  • [ ] CMU 多语言 NLP 2020 (4)：文本分类与序列标注 0:45:56
  • [ ] CMU 多语言 NLP 2020 (5)：高级文本分类/标注 0:49:40
  • [ ] CMU 多语言 NLP 2020 (6)：翻译、评估与数据集 0:46:17
  • [ ] CMU 多语言 NLP 2020 (7)：机器翻译 / 序列到序列模型 0:43:51
  • [ ] CMU 多语言 NLP 2020 (8)：机器翻译的数据增强 0:24:42
  • [ ] CMU 多语言 NLP 2020 (9)：跨语言接触与相似性 0:30:25
  • [ ] CMU 多语言 NLP 2020 (10)：多语言训练与跨语言迁移 0:39:58
  • [ ] CMU 多语言 NLP 2020 (11)：无监督翻译 0:51:17
  • [ ] CMU 多语言自然语言处理 2020 (12)：代码转换、洋泾浜语和克里奥尔语 0:46:37
  • [ ] CMU 多语言 NLP 2020 (13): 演讲 0:41:16
  • [ ] CMU 多语言 NLP 2020 (14)：自动语音识别 0:39:33
  • [ ] CMU 多语言自然语言处理 2020 (15)：低资源自动语音识别 0:43:38
  • [ ] CMU 多语言 NLP 2020 (16)：文本转语音 0:39:00
  • [ ] CMU 多语言自然语言处理 2020 (17)：形态分析与词形变化 0:45:22
  • [ ] CMU 多语言 NLP 2020 (18)：依存句法分析 0:38:15
  • [ ] CMU 多语言 NLP 2020 (19)：数据标注 0:53:08
  • [ ] CMU 多语言 NLP 2020 (20): 主动学习 0:28:37
  • [ ] CMU 多语言 NLP 2020 (21)：信息提取 0:41:00
  • [ ] CMU 多语言 NLP 2020 (22)：面向本土语言的多语言 NLP 1:21:58
  • [ ] CMU 多语言自然语言处理 2020 (23)：大规模通用翻译 1:27:33

• [ ] CS685：高级自然语言处理

  • [ ] UMass CS685（高级 NLP）：注意力机制 0:48:53
  • [ ] UMass CS685（高级 NLP）：问答 0:59:50
  • [ ] UMass CS685（高级 NLP）：更好的 BERT 0:52:23
  • [ ] UMass CS685（高级NLP）：文本生成解码与评估 1:02:32
  • [ ] UMass CS685（高级 NLP）：释义生成 1:10:59
  • [ ] UMass CS685（高级 NLP）：众包文本数据收集 0:58:31
  • [ ] UMass CS685（高级 NLP）：模型蒸馏和安全威胁 1:09:25
  • [ ] UMass CS685（高级 NLP）：检索增强语言模型 0:52:13
  • [ ] UMass CS685（高级 NLP）：实现 Transformer 1:12:36
  • [ ] UMass CS685（高级 NLP）：视觉 + 语言 1:06:28
  • [ ] UMass CS685（高级 NLP）：考试复习 1:24:36
  • [ ] UMass CS685（高级 NLP）：中级微调 1:10:35
  • [ ] UMass CS685（高级 NLP）：NLP 中的伦理 0:56:57
  • [ ] UMass CS685（高级 NLP）：探测任务 0:54:30
  • [ ] UMass CS685（高级 NLP）：语义解析 0:48:49
  • [ ] UMass CS685（高级 NLP）：常识推理（Lorraine Li 客座讲座） 0:58:53

• [💻]使用 spaCy 进行高级 NLP

• 使用Python构建聊天机器人

• [💻]使用 SciPy 的聚类方法

• [💻] Python 中的 NLP 特征工程

• [💻] Python 中的机器翻译

• Python自然语言处理基础知识

• [💻] Python 中的自然语言生成

• [💻] RNN 用于语言建模

• Python 中的正则表达式

• [💻] Python 中的情感分析

• [💻] Python 中的口语处理

• [ ]笔记本：NNLM - 预测下一个单词

• [ ]笔记本：Word2Vec

• [ ]笔记本：FastText 句子分类

• [ ]笔记本：TextCNN - 二元情感分类

• [ ]笔记本：TextRNN - 预测下一步

• [ ]笔记本：TextLSTM - 自动完成

• [ ]笔记本：Bi-LSTM - 预测长句中的下一个单词

• [ ]笔记本：SeqSeq - 修改单词

• [ ]笔记本：带有注意力机制的 Seq2Seq - 翻译

• [ ]笔记本：带注意力机制的 Bi-LSTM - 二元情感分类

• [ ]笔记本：变形金刚 - 翻译

• [ ]笔记本：Transformer - 贪婪解码器

• [ ]笔记本：BERT - NSP 和 MLM

• [ ]笔记本：逻辑回归-Tf-Idf 基线

• [ ] RNN 和 LSTM

• [ ] Spacy 教程

• [ ]斯坦福 CS224U：自然语言理解 | 2019 年春季

  • [ ]讲座 1 – 课程概述 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 1:12:59
  • [ ]讲座 2 – 词向量 1 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 1:17:10
  • [ ]讲座 3 – 词向量 2 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 1:16:52
  • [ ]讲座 4 – 词向量 3 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 0:38:20
  • [ ]讲座 5 – 情感分析 1 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 1:10:44
  • [ ]讲座 6 – 情感分析 2 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 1:03:23
  • [ ]讲座 7 – 关系提取 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 1:19:04
  • [ ]讲座 8 – NLI 1 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 1:15:02
  • [ ]讲座 9 – NLI 2 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 1:15:35
  • [ ]讲座 10 – 基础 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 1:23:15
  • [ ]第 11 讲 – 语义解析 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 1:07:05
  • [ ]第 12 讲 – 评估方法 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 1:18:32
  • [ ]第 13 讲 – 评估指标 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 1:11:32
  • [ ]讲座 14 – 语境向量 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 1:14:33
  • [ ]第 15 讲 – 展示你的工作 | 斯坦福 CS224U：自然语言理解 | 2019 年春季 1:15:11

• [ ]斯坦福 CS224N：斯坦福 CS224N：深度学习与自然语言处理 | 2019 年冬季

  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 讲座 1 – 简介和词向量 1:21:52
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 讲座 2 – 词向量和词义 1:20:43
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 讲座 3 – 神经网络 1:18:50
  • [ ]斯坦福 CS224N：深度学习与自然语言处理 | 2019 年冬季 | 讲座 4 – 反向传播 1:22:15
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 讲座 5 – 依存句法分析 1:20:22
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 讲座 6 – 语言模型和 RNN 1:08:25
  • [ ]斯坦福 CS224N：深度学习与自然语言处理 | 2019 年冬季 | 讲座 7 – 消失梯度，花式 RNN 1:13:23
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 讲座 8 – 翻译、Seq2Seq、注意力机制 1:16:56
  • [ ]斯坦福 CS224N：深度学习与自然语言处理 | 2019 年冬季 | 讲座 9 – 项目实用技巧 1:22:39
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 讲座 10 – 问答 1:21:01
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 讲座 11 – 用于自然语言处理的卷积网络 1:20:18
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 讲座 12 – 子词模型 1:15:30
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 讲座 13 – 上下文词嵌入 1:20:18
  • [ ]斯坦福 CS224N：深度学习与自然语言处理 | 2019 年冬季 | 讲座 14 – Transformers 与 Self-Attention 0:53:48
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 讲座 15 – 自然语言生成 1:19:37
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 讲座 16 – 共指消解 1:19:20
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 第 17 讲 – 多任务学习 1:11:54
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 讲座 18 – 成分分析、TreeRNN 1:20:37
  • [ ]斯坦福 CS224N：深度学习与自然语言处理 | 2019 年冬季 | 讲座 19 – 人工智能中的偏见 0:56:03
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2019 年冬季 | 第 20 讲 – 自然语言处理 + 深度学习的未来 1:19:15
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2020 年冬季 | 低资源机器翻译 1:15:45
  • [ ]斯坦福 CS224N：基于深度学习的自然语言处理 | 2020 年冬季 | BERT 及其他预训练语言模型 0:54:28

• [ ]斯坦福：自然语言处理 | Dan Jurafsky、Christopher Manning

  • [ ]课程介绍 0:12:52
  • [ ]正则表达式 0:11:25
  • [ ]实用 NLP 中的正则表达式 0:06:05
  • [ ]词法分析 0:14:26
  • [ ]词规范化和词干提取 0:11:48
  • [ ]句子分割 0:05:34
  • [ ]定义最小编辑距离 0:07:05
  • [ ]计算最小编辑距离 0:05:55
  • [ ]计算比对的回溯 0:05:56
  • [ ]加权最小编辑距离 0:02:48
  • [ ]计算生物学中的最小编辑距离 0:09:30
  • [ ] N-gram简介 0:08:41
  • [ ]估计 N 元模型概率 0:09:38
  • [ ]评估与困惑 0:11:09
  • [ ]泛化和零点 0:05:15
  • [ ]平滑加一 0:06:31
  • [ ]插值 0:10:25
  • [ ]良好的图灵平滑度 0:15:35
  • [ ] Kneser Ney 平滑 0:08:59
  • [ ]拼写纠正任务 0:05:40
  • [ ]拼写的噪声通道模型 0:19:31
  • [ ]真实单词拼写纠正 0:09:20
  • [ ]最先进的系统 0:07:10
  • [ ]什么是文本分类 0:08:12
  • [ ]朴素贝叶斯 0:03:20
  • [ ]形式化朴素贝叶斯分类器 0:09:29
  • [ ]朴素贝叶斯学习 0:05:23
  • [ ]朴素贝叶斯与语言建模的关系 0:04:36
  • [ ]多项式朴素贝叶斯示例 0:08:59
  • [ ]准确率、召回率和 F 值 0:16:17
  • [ ]文本分类评估 0:07:17
  • [ ]文本分类中的实际问题 0:05:57
  • [ ]什么是情绪分析 0:07:18
  • [ ]情绪分析基线算法 0:13:27
  • [ ]情感词典 0:08:38
  • [ ]学习情感词典 0:14:46
  • [ ]其他情绪任务 0:11:02
  • [ ]生成模型 vs 判别模型 0:07:50
  • [ ]从文本中获取特征，用于判别式 NLP 模型 0:18:12
  • [ ]基于特征的线性分类器 0:13:35
  • [ ]构建 Maxent 模型的基本要素 0:08:05
  • [ ]生成模型 vs 判别模型 0:12:10
  • [ ]最大化可能性 0:10:30
  • [ ]信息提取简介 0:09:19
  • [ ]命名实体识别评估 0:06:35
  • [ ]命名实体识别的序列模型 0:15:06
  • [ ]最大熵序列模型 0:13:02
  • [ ]什么是关系提取 0:09:47
  • [ ]使用模式提取关系 0:06:17
  • [ ]监督关系提取 0:10:51
  • [ ]半监督和无监督关系提取 0:09:53
  • [ ]最大熵模型介绍 0:12:14
  • [ ]特征重叠 特征交互 0:12:52
  • [ ]条件 Maxent 模型用于分类 0:04:11
  • [ ] Maxent 模型的平滑正则化先验 0:29:24
  • [ ]词性和词性标注简介 0:13:19
  • [ ]词性标注序列模型的一些方法与结果 0:13:04
  • [ ]句法结构成分 vs 依存关系 0:08:46
  • [ ]经验数据驱动的解析方法 0:07:11
  • [ ]解析中的指数问题 0:14:31
  • [ ]讲师聊天 0:09:03
  • [ ] CFG 和 PCFG 0:15:30
  • [ ]语法变换 0:12:06
  • [ ] CKY解析 0:23:26
  • [ ] CKY 示例 0:21:25
  • [ ]成分解析器评估 0:09:46
  • [ ] PCFG 的词汇化 0:07:03
  • [ ]查尼亚克模型 0:18:24
  • [ ] PCFG独立性假设 0:09:44
  • [ ]非词汇化PCFG的回归 0:20:53
  • [ ]潜变量PCFG 0:12:08
  • [ ]依存句法分析介绍 0:10:25
  • [ ]基于贪婪转换的解析 0:31:05
  • [ ]依赖关系编码关系结构 0:07:21
  • [ ]信息检索简介 0:09:16
  • [ ]词条文档关联矩阵 0:08:59
  • [ ]倒排索引 0:10:43
  • [ ]使用倒排索引进行查询处理 0:06:44
  • [ ]短语查询和位置索引 0:19:46
  • [ ]引入排序检索 0:04:27
  • [ ]使用杰卡德系数评分 0:05:07
  • [ ]词频加权 0:06:00
  • [ ]逆文档频率加权 0:10:17
  • [ ] TF IDF 加权 0:03:42
  • [ ]向量空间模型 0:16:23
  • [ ]计算 TF IDF 余弦分数 0:12:48
  • [ ]评估搜索引擎 0:09:03
  • [ ]词义和词语关系 0:11:50
  • [ ] WordNet 和其他在线叙词表 0:06:23
  • [ ]词语相似度与同义词库方法 0:16:18
  • [ ]词语相似度分布相似度 I 0:13:15
  • [ ]词语相似度分布相似度 II 0:08:16
  • [ ]什么是问答 0:07:29
  • [ ]答案类型和查询表述 0:08:48
  • [ ]段落检索和答案提取 0:06:38
  • [ ]在 QA 中运用知识 0:04:25
  • [ ]高级解答复杂问题 0:04:53
  • [ ]摘要介绍 0:04:46
  • [ ]生成代码片段 0:07:35
  • [ ]评估摘要 ROUGE 0:05:03
  • [ ]汇总多个文档 0:10:42
  • [ ]讲师聊天 II 0:05:24

• [ ] TextBlob 教程系列

  • [ ]使用 TextBlob 的自然语言处理教程 - 标记、翻译和 Ngram 0:11:01
  • [ ]使用 TextBlob 和 Python 的 NLP 教程 - 词性标注 0:05:59
  • [ ]使用 TextBlob 和 Python 的 NLP 教程 - 词形还原 0:06:32
  • [ ] TextBlob & Python 的 NLP 教程 - 情感分析（极性、主观性） 0:06:31
  • [ ]使用 TextBlob 构建基于 NLP 的 Flask 应用 0:37:30
  • [ ]使用 Polyglot 进行自然语言处理 - 安装和介绍 0:12:49

• [📺] fast.ai Code-First 自然语言处理简介

  • [ ]什么是NLP？（NLP视频1） 0:22:42
  • [ ]使用 SVD 和 NMF 进行主题建模（NLP 视频 2） 1:06:39
  • [ ]主题建模与 SVD 重温（NLP 视频 3） 0:33:05
  • [ ]使用朴素贝叶斯进行情绪分类（NLP 视频 4） 0:58:20
  • [ ]使用朴素贝叶斯和逻辑回归进行情绪分类（续）（NLP 视频 5） 0:51:29
  • [ ]朴素贝叶斯推导与数值稳定性（NLP 视频 6） 0:23:56
  • [ ]重温朴素贝叶斯和正则表达式（NLP 视频 7） 0:37:33
  • [ ]语言建模简介（NLP 视频 8） 0:40:58
  • [ ]迁移学习（NLP 视频 9） 1:35:16
  • [ ]非英语语言的 ULMFit（NLP 视频 10） 1:49:22
  • [ ]理解 RNN（NLP 视频 11） 0:33:16
  • [ ] Seq2Seq 翻译（NLP 视频 12） 0:59:42
  • [ ]词向量化量化百年来的性别和种族刻板印象——Nikhil Garg（NLP 视频 13） 0:47:17
  • [ ]文本生成算法（NLP 视频 14） 0:25:39
  • [ ]实现 GRU（NLP 视频 15） 0:23:13
  • [ ]算法偏见（NLP 视频 16） 1:26:17
  • [ ] Transformer 简介（NLP 视频 17） 0:22:54
  • [ ]用于语言翻译的 Transformer（NLP 视频 18） 0:55:17
  • [ ]你需要了解的关于虚假信息的知识（NLP 视频 19） 0:51:21
  • [📰]使用 fastai 从零到英雄 - 初学者
  • [📰]使用 fastai 从零到英雄 - 中级

• [ ] NLP课程 | 为你

  • [ ]词嵌入
  • [ ]文本分类
  • [ ]语言建模
  • [ ] Seq2seq 和注意力机制

• [📺] BERT 研究系列

• [ ] YouTube：使用 Spacy 进行 NLP 简介

• [ ]演讲：现实世界的实用 NLP

• [ ] YouTube：2020 年 3 级人工智能助理大会

  • [📺]聊天机器人中的会话分析理论 | Michael Szul
  • [📺]设计实用的 NLP 解决方案 | Ines Montani
  • [📺]聊天机器人的有效文案撰写 | Hans Van Dam
  • [📺]提炼 BERT | Sam Sucik
  • [📺]改进对话的 Transformer 策略：Vincent Warmerdam 的现场演示
  • [📺]从研究到生产——Rasa 的流程 | Tanja Bunk
  • [📺]主题演讲：对话式人工智能的五个层级视角 | Alan Nichol

• [📺 ] RASA 算法白板

  • [ ]算法白板介绍 0:01:16
  • [ ] Rasa 算法白板 - 饮食架构 1：工作原理 0:23:27
  • [ ] Rasa 算法白板 - Diet 架构 2：设计决策 0:15:06
  • [ ] Rasa 算法白板 - 饮食架构 3：基准测试 0:22:34
  • [ ] Rasa 算法白板 - 嵌入 1：仅字母 0:13:48
  • [ ] Rasa 算法白板 - Embeddings 2：CBOW 和 Skip Gram 0:19:24
  • [ ] Rasa 算法白板 - 嵌入 3：GloVe 0:19:12
  • [ ] Rasa 算法白板 - Embeddings 4：Whatlies 0:14:03
  • [ ] Rasa 算法白板 - Attention 1：Self Attention 0:14:32
  • [ ] Rasa 算法白板 - 注意 2：键、值、查询 0:12:26
  • [ ] Rasa 算法白板 - Attention 3：多头注意力 0:10:55
  • [ ] Rasa 算法白板：注意力机制 4 - Transformers 0:14:34
  • [ ] Rasa 算法白板 - StarSpace 0:11:46
  • [ ] Rasa 算法白板 - TED 政策 0:16:10
  • [ ] Rasa 算法白板 - TED 实践 0:14:54
  • [ ] Rasa 算法白板 - 响应选择 0:12:07
  • [ ] Rasa 算法白板 - 响应选择：实现 0:09:25
  • [ ] Rasa 算法白板 - 计数向量 0:13:32
  • [ ] Rasa 算法白板 - 子词嵌入 0:11:58
  • [ ] Rasa 算法白板 - Subword Embeddings 的实现 0:10:01
  • [ ] Rasa 算法白板 - BytePair 嵌入 0:12:44

• [📺] NLP 中 Transformer 架构的简史

• [📺] Transformer 神经网络架构详解。“注意力就是你所需要的”（NLP）

• [📺] Transformer 架构如何将视觉与语言结合起来？ViLBERT - 自然语言处理与计算机视觉的结合

• [📺]基于 BERT 的 Transformer 架构预训练策略——语言（和视觉）

• [📺] Ilya Sutskever - GPT-2

• [📺] NLP 大师班 | NLP 中的建模谬误

• GPT -3 是什么？GPT-3 的展示、可能性和影响

• [📺] TextAttack：NLP 中的数据增强和对抗训练框架

• [📰] BERT 中的嵌入层是如何实现的

• [📺]文本分类的简单数据增强

• [📺 ]网络研讨会：与 Hugging Face 一起进行特别的 NLP 会议

• [📺 ] Spacy IRL 2019

  • [ ] Sebastian Ruder：开源自然语言处理中的迁移学习（spaCy IRL 2019） 0:31:24
  • [ ] Giannis Daras：改进稀疏 Transformer 模型以实现高效的自注意力 (spaCy IRL 2019) 0:20:13
  • [ ] Peter Baumgartner：应用 NLP：来自现场的经验教训 (spaCy IRL 2019) 0:18:44
  • [ ] Justina Petraitytė：帮助推出对话式 AI 助手的经验教训 (spaCy IRL 2019) 0:23:48
  • [ ] Yoav Goldberg：NLP 中缺失的元素（spaCy IRL 2019） 0:30:27
  • [ ] Sofie Van Landeghem：spaCy 中的实体链接功能（spaCy IRL 2019） 0:20:08
  • [ ] Guadalupe Romero：重新思考基于规则的词形还原 (spaCy IRL 2019) 0:14:49
  • [ ] Mark Neumann：ScispaCy：用于科学和生物医学文本的 spaCy 流程和模型（spaCy IRL 2019） 0:18:59
  • [ ] Patrick Harrison：标普全球的金融 NLP（spaCy IRL 2019） 0:21:42
  • [ ] McKenzie Marshall：资产管理中的自然语言处理 (spaCy IRL 2019) 0:20:32
  • [ ] David Dodson：spaCy 新闻：Quartz 的 NLP 流程（spaCy IRL 2019） 0:20:56
  • [ ] Matthew Honnibal 和 Ines Montani：spaCy 与 Explosion：过去、现在和未来（spaCy IRL 2019） 0:54:13

• [📺]自然语言处理的未来

• [📺]情绪分析：关键里程碑、挑战和新方向

• [📺]与英特尔人工智能团队 Moshe Wasserblat 合作，实现简单高效的自然语言处理深度学习

• [📺]何不尝试用 Transformer 解决生物学问题？BERTology 与生物学的碰撞

• [📺]自注意力机制分步讲解 | 如何从文本中获取意义

• [📺]使用 PyTorch 的聊天机器人

• [📺 ] NLP 与朋友的谈话

  • [ ] NLP 与朋友，推荐朋友：汤姆·麦考伊 0:36:48
  • [ ] NLP 与朋友，推荐朋友：Maarten Sap 0:36:11
  • [ ] NLP 与朋友，推荐朋友：Nitika Mathur 1:01:42
  • [ ] NLP 与朋友，推荐朋友：Sabrina J Mielke 1:01:28

• [📺]使用 PyTorch 进行不真诚问题分类

  • [ ] [第 1 部分] 使用 PyTorch 进行不诚实问题分类 0:22:34
  • [ ] [第 2 部分] 使用 PyTorch 进行不诚实问题分类 0:33:53
  • [ ] [第 3 部分] 使用 PyTorch 进行不诚实问题分类 0:23:49
  • [ ] [第四部分] 使用 PyTorch 进行不诚实问题分类 0:14:25

• [ ]速成课程：语言学

  • [ ]速成语言学预览 0:02:50
  • [ ]什么是语言学？：语言学速成课程 #1 0:11:11

• [📺]语言预训练和生成的最新进展

• [📺]演讲 # 3：Lorenzo Ampil - 情绪跨度提取的 T5 简介

• [📺]机器学习前沿：从有限的标记数据中学习：NLP 的挑战和机遇

• [📺] DeepLearning.ai NLP 演讲：Chris Manning

• [📺] DeepLearning.ai NLP 演讲：Oren Etzioni

• [📺] DeepLearning.ai NLP 讲座：Quoc Le

• [📺 ] MIR 可以从 NLP 中的迁移学习中学到什么？

• [📺]叙述式 Transformer 语言模型

• [📺] spaCy v3.0：将最先进的 NLP 从原型带入生产 00:22:40

• [📺]使用 Transformer 和基于规则的系统的对话式 AI 1:53:24

• [ ]演讲：高性能自然语言处理

• [ ]演讲：EmoTag1200：理解表情符号与情绪之间的关联

• [📺]研究论文讲解

  • [ ]使用句子嵌入进行简单的无监督关键词提取 | 研究论文讲解 0:21:23
  • [ ]利用 BERT 进行课堂文本摘要 | 研究论文讲解 0:20:10
  • [ ] NLP 中文本分类的数据增强技术 | 研究论文讲解 0:14:33
  • [ ] CRIM SemEval-2018 任务 9：上位词发现的混合方法 | 研究论文讲解 0:23:47
  • [ ]使用预训练 Transformer 模型（BERT、GPT2 等）进行数据增强 | 研究论文讲解 0:17:43
  • [ ]一种有监督的科学论文摘要提取方法 | 研究论文讲解 0:19:01
  • [ ] BLEURT：学习稳健的文本生成指标 | 研究论文讲解 0:13:38
  • [ ] DeepWalk：社交表征的在线学习 | 基于图的机器学习 | 研究论文讲解 0:17:44
  • [ ] LSBert：一个简单的词汇简化框架 | 研究论文演练 0:20:27
  • [ ] SpanBERT：通过表示和预测跨度改进预训练 | 研究论文讲解 0:14:21
  • [ ]使用 BERT 和 GPT-2 对 COVID-19 医学文章进行文本摘要 | 研究论文讲解 0:21:52
  • [ ]使用 Transformer 语言模型进行抽取式和抽象式摘要 | 研究论文讲解 0:16:58
  • [ ]使用神经文档模型进行无监督多文档摘要 | 研究论文讲解 0:15:11
  • [ ] SummPip：基于句子图压缩的多文档摘要 | 研究论文讲解 0:16:54
  • [ ]将 BERT 与静态词嵌入相结合，对社交媒体进行分类 | 研究论文讲解 0:13:51
  • [ ]将无监督风格迁移重新表述为释义生成 | 研究论文讲解 0:19:41
  • [ ] PEGASUS：利用间隙句进行抽象概括的预训练 | 研究论文讲解 0:15:04
  • [ ]文本生成评估：综述 | 以人为本的评估 | 研究论文讲解 0:15:54
  • [ ] TOD-BERT：面向任务的对话系统的预训练 Transformer（研究论文演练） 0:15:25
  • [ ] TextRank：使文本有序（研究论文演练） 0:14:34
  • [ ] Node2Vec：面向网络的可扩展特征学习 | 基于图形的机器学习（研究论文讲解） 0:14:33
  • [ ] HARP：网络分层表示学习 | 基于图形的机器学习（研究论文讲解） 0:15:10
  • [ ] URL2Video：从网页自动创建视频 | 人工智能与创造力（研究论文讲解） 0:15:21
  • [ ]关于生成长文档的扩展摘要（研究论文演练） 0:14:24
  • [ ]细胞核采样：神经文本退化的奇特案例（研究论文演练） 0:12:48
  • [ ] T5：探索使用文本到文本 Transformer 进行迁移学习的局限性（研究论文演练） 0:12:47
  • [ ] DialoGPT：对话响应生成的生成训练（研究论文演练） 0:13:17
  • [ ]用于长文档分类的分层 Transformer（研究论文演练） 0:12:46
  • [ ]超越准确性：使用 CheckList 对 NLP 模型进行行为测试（ACL 2020 最佳论文） 0:14:00

• [ ] 2020 年 NLP 峰会

  • [ ] 2020 年应用自然语言处理趋势 | 2020 年 NLP 峰会 0:21:10
  • [ ] NLP 行业调查分析：2020 年自然语言用例格局 | NLP 峰会 2020 0:20:23
  • [ ]自动 NLP：无需编码即可预训练、调整和部署最先进的模型 0:19:57
  • [ ]概念验证的喜悦 | 2020 年 NLP 峰会 0:16:50
  • [ ]面向金融工程的分布式自然语言处理应用程序 | 2020 年 NLP 峰会 0:34:49
  • [ ] 2020 Transformers 的前沿应用 | 2020 年 NLP 峰会 0:33:34
  • [ ] Freshworks Freddy AI 如何利用 NLP 打造“道德至上”的客户体验 | 2020 年 NLP 峰会 0:26:49
  • [ ]招聘自动化的 NLP：根据职位描述构建聊天机器人 | 2020 年 NLP 峰会 0:22:31

• [📺]自然语言处理的可解释性

• [📺 ]乱码检测器

• [📺] NLP 讲座 7 成分分析

  • [ ] NLP 讲座 7 - 成分分析概述讲座 0:01:50
  • [ ] NLP 讲座 7 - 成分句法分析简介 0:10:29
  • [ ] NLP 讲座 7(a) - 上下文无关语法 0:17:03
  • [ ] NLP 讲座 7(b) - 成分分析 0:13:28
  • [ ] NLP 讲座 7(c) - 统计成分分析 0:09:38
  • [ ] NLP 讲座 7(d) - 依存句法分析 0:17:15

• [📺 ] LING 83 教学视频：成分句分析

• [📺]使用 Python 教程进行数字人文学科的 SpaCy

  • [ ] SpaCy 简介及数据清洗（DH 的 SpaCy 和 Python 教程 - 01） 0:06:07
  • [ ]如何安装 SpaCy 和模型 (DH 02 的 Spacy 和 Python 教程) 0:07:40
  • [ ]如何在 SpaCy 中分离句子（SpaCy 和 Python DH 教程 - 03） 0:08:33
  • [ ] Spacy 和命名实体识别 NER（DH 04 的 Spacy 和 Python 教程） 0:08:32
  • [ ]查找词性（DH 05 的 SpaCy 和 Python 教程） 0:02:55
  • [ ]提取名词和名词块（DH 06 的 SpaCy 和 Python 教程） 0:05:46
  • [ ]提取动词和动词短语（DH 07 的 SpaCy 和 Python 教程） 0:08:10
  • [ ]词形还原：寻找词根 (DH 08 的 Spacy 和 Python 教程) 0:04:52
  • [ ]使用 DisplaCy 进行数据可视化（DH 09 的 Spacy 和 Python 教程） 0:09:13
  • [ ]自定义 DisplaCy 渲染数据可视化（DH 10 的 Spacy 和 Python 教程） 0:08:19
  • [ ]在句子中查找引号（DH 11 的 SpaCy 和 Python 教程） 0:08:45
  • [ ]命名实体识别简介（NER for DH 01） 0:16:43
  • [ ]使用 Python 和 spaCy 进行机器学习 NER（用于 DH 03 的 NER） 0:13:36
  • [ ]如何使用 spaCy 的 EntityRuler（DH 04 命名实体识别 | 第 01 部分） 0:36:50
  • [ ]如何使用 spaCy 创建 NER 训练集（DH 04 命名实体识别 | 第 02 部分） 0:10:32
  • [ ]如何训练 spaCy NER 模型（DH 04 命名实体识别 | 第 03 部分） 0:15:40
  • [ ]检查文件夹中的 spaCy 模型（DH 05 的命名实体识别） 0:15:06
  • [ ]什么是词向量（DH 06 命名实体识别） 0:18:49
  • [ ]如何在 Gensim 中生成自定义词向量（DH 07 命名实体识别） 0:23:05
  • [ ]如何将自定义词向量加载到 spaCy 模型中（DH 08 命名实体识别） 0:10:46
  • [ ]获取自定义标签的数据（DH 09.01 的大屠杀 NER） 0:11:00
  • [ ]如何在 spaCy 中添加自定义 NER 管道和自定义标签（适用于 DH 09.02 的 NER） 0:07:49
  • [ ]如何将自定义实体训练到 spaCy 模型中（DH 09 03 命名实体识别） 0:15:29
  • [ ]如何将其他模型中的管道添加并放置到新模型中（DH 09 04 的 NER） 0:12:24
  • [ ]如何向 spaCy 管道添加自定义函数（DH 09.05 的 NER） 0:15:20
  • [ ]精确度与召回率以及将人物添加到大屠杀 NER 管道（命名实体识别 DH 09.06） 0:26:02
  • [ ]完成大屠杀 NER 管道（DH 09.07 的命名实体识别） 0:14:16
  • [ ]古典拉丁语命名实体识别（NER for DH 10.01） 0:55:30
  • [ ]如何打包 spaCy 模型（即使使用自定义工厂）（DH 11 的 NER） 0:15:31

• [📺]十亿级近似最近邻搜索

• [📺]数据科学 - 模糊记录匹配

• [📺]最小编辑距离动态规划

• [📺 ] Cheuk Ting Ho - 使用 Fuzzywuzzy 模糊匹配智能查找相似名称的方法

• [📺 ]名字代表什么？快速模糊字符串匹配 - Seth Verrinder & Kyle Putnam - Midwest.io 2015

• [📺 ] Jiaqi Liu 模糊搜索算法，如何以及何时使用它们 PyCon 2017

• [📺] 1 + 1 = 1 或使用 Python 进行记录重复数据删除 | Flávio Juvenal @ PyBay2018

• [📺] Mike Mull：数据匹配的艺术与科学

• [📺]记录链接：Rhydwyn Mcguire 的“加入现实​​生活”

• [📺]近似最近邻和向量模型，Annoy 简介

• [📺] Librosa 使用 Python 进行音频和音乐信号分析 | SciPy 2015 | Brian McFee

• [ ]视频：LM 预训练的最新进展

• [📺]使用 Python 进行音频深度学习

  • [ ] 1- 使用 Python 进行音频深度学习：课程概述 0:08:02
  • [ ] 2- 人工智能、机器学习和深度学习 0:31:15
  • [ ] 3- 从头实现人工神经元 0:19:05
  • [ ] 4- 向量和矩阵运算 0:25:51
  • [ ] 5- 神经网络中的计算 0:23:19
  • [ ] 6- 使用 Python 从头实现神经网络 0:21:03
  • [ ] 7- 训练神经网络：反向传播和梯度下降 0:21:41
  • [ ] 8- 训练神经网络：从头实现反向传播和梯度下降 1:03:00
  • [ ] 9- 如何用 TensorFlow 2 实现一个（简单的）神经网络 0:24:37
  • [ ] 10 - 理解深度学习的音频数据 0:32:55
  • [ ] 11- 深度学习的音频数据预处理 0:25:05
  • [ ] 12- 音乐流派分类：准备数据集 0:37:45
  • [ ] 13- 实现音乐流派分类的神经网络 0:33:25
  • [ ] 14- 解决神经网络中的过拟合问题 0:26:29
  • [ ] 15- 卷积神经网络简单解释 0:35:23
  • [ ] 16- 如何实现 CNN 进行音乐流派分类 0:49:10
  • [ ] 17- 循环神经网络简单解释 0:28:35
  • [ ] 18- 轻松解释长短期记忆（LSTM）网络 0:28:08
  • [ ] 19- 如何实现 RNN-LSTM 网络进行音乐流派分类 0:14:29

• [📺 ]高级信息检索 2021 - 维也纳技术大学

  • [ ] AIR-2021课程介绍 0:21:39
  • [ ] IR 速成课程 - 基础知识 0:46:31
  • [ ] IR速成课程 - 评估 0:37:15
  • [ ] IR 速成课程 - 测试集 0:51:12
  • [ ]词汇表征学习 0:42:02
  • [ ]使用 CNN 和 RNN 进行序列建模 0:55:04
  • [ ] Transformer 和 BERT 预训练 0:47:15
  • [ ]神经重排序简介 0:59:20
  • [ ] Transformer 语境化重排序 0:49:06
  • [ ]特定领域的应用 0:38:32
  • [ ]密集检索 ❤ 知识提炼 0:59:28

• [📺]密集文本表示简介

  • [ ]密集文本表示简介 - 第一部分 0:12:56
  • [ ]密集文本表示简介 - 第 2 部分 0:23:13
  • [ ]密集文本表示简介 - 第 3 部分 0:38:07
  • [ ]训练最先进的句子嵌入模型 0:43:43

• [📺]无需超级计算机即可微调大型语言模型

• [📺]如何使用 Python NLP 构建自定义拼写检查器

• [📺]变形金刚🤗 统治一切？AI 招聘聊天机器人🤖 的幕后故事，井上圭介

• [📺] Katherine Munro 的《电子商务中的人工智能和自然语言处理》| smec

• [📺] Abhishek Thakur - 无需用户点击数据即可对搜索查询进行分类

• [📺]聊天机器人重温 | Abhishek Thakur | Kaggle Days 华沙

• [📺 ] Abhishek Thakur - 这是 Quora 上的重复问题吗？

• [📺]构建机器学习驱动的搜索应用程序的设计注意事项 - Mark Moyou

• [📺]在几分钟内（而不是几个月）分析客户反馈

• [📺 ]反馈分析中的 NLP - 岳宁

• [📺]生产无监督机器学习模型以理解客户反馈

• [📺]使用 NLP 从评论中提取主题 - Tal Perri 博士

• [📺]为在线零售带来创新：利用 NLP 实现客户服务自动化

• [📺]利用机器学习转变客户服务（Google Cloud Next '17）

• [📺]客户评论中的观点情绪分析的现实方面 - Jonathan Yaniv 博士

• [📺]用于文本情绪检测的深度学习方法 - Liron Allerhand 博士

• [📺]学习如何学习 NLP：通过脚手架式发现来发展入门概念

• [📺 ]什么是 Transformer 神经网络？

• [📺] AppliedMachine Learning 2020 - 15 - 处理文本数据 1:27:08

• [📺] AppliedMachine Learning 2020 - 16 - 文本数据的主题模型 1:18:34

• [📺] AppliedMachine Learning 2020 - 17 - 词向量和文档嵌入 1:03:04

• [📺]话语表征理论简介

• [📺] HuggingFace 速成课程 - 情绪分析、模型中心、微调

• [📺 ] Huggingface 课程第 1 部分

• [📺 ]我们应该关心语言学吗？

• [📺]从零开始的变形金刚

  • [ ]如何使用 HuggingFace 的数据集 - 从头开始​​构建 Transformers #1 0:14:21
  • [ ]构建自定义 Transformer Tokenizer - 从头开始​​构建 Transformers #2 0:14:17
  • [ ]构建 MLM 训练输入管道 - 从头开始​​构建 Transformers #3 0:23:11
  • [ ]训练和测试意大利语 BERT - 从头开始​​的 Transformers #4 0:30:38