机器学习及深度学习原理和示例，基于 Tensorflow 和 PyTorch 框架，Transformer、BERT、ALBERT等最新预训练模型及源代码详解，及基于预训练模型进行各种自然语言处理任务。以及模型部署
两种传统的模型：
-
- 基于规则或模板生成对话系统
- 基于概率的语言模型
- 利用语料数据，实现了简略的 2-gram 模型，并利用该模型判断句子的合理性
-
-
根据**城市的位置信息，实现简单的路径规划系统
-
根据武汉地铁的各站点的位置信息，实现简单的路径规划系统
- 图的广度优先搜索及深度优先搜索
-
搜索问题的抽象模式
- Travelling Sales man Problem
-
启发式
-
A* 搜索
-
动态规划
-
- Travelling Sales man Problem
-
- 机器学习算法，及其应用
- python 实现基本的神经网络：激活函数，损失函数，前向传播，反向传播
- python 实现各种梯度下降算法，初始化，Batch Normalization，正则化
- python 实行 CNN
-
- Tensor Flow 基本概念，张量，张量运算，自动微分，及 tf.function 和 AutoGraph 使用原理
-
- TensorFlow 的数据管道，利用 tf.data.Dataset 预处理数据，提升性能
- TensorFlow 内置的特征函数，用于特征工程
-
- 三种创建模型方法：Sequential、函数式、tf.keras.Model子类化
- 三种模型训练方法：模型的 fit 方法，train_on_batch 方法，利用 tf.GradientTape自定义训练循环
-
- tf.function 使用详解
-
Torch ：
- 01-PyTorch入门
- Torch 基本概念，张量，CUDA张量，自动求导
- 创建模型：Sequential 模型，nn.Module指模型
- Torch 数据管道
- Torch 实现线性回归，逻辑回归，CNN，RNN，残差网络，及语言模型
- 01-PyTorch入门
-
创建神经网络，实现图像分类与情感分类，涉及到词向量，CNN，RNN 等模型
-
CNN架构，自编码器，对抗生成网络，风格迁移基本原理 等
15-基于词向量和LSTM对豆瓣影评分类(TensorFlow)
13-基于BiLSTM和CRF算法的命名实体识别(PyTorch)
14-基于BiLSTM和CRF算法的命名实体识别(TensorFlow)
27-基于Attention的中译英(TensorFlow)
28-基于Attention的图片标注(TensorFlow)
31-基于Transformer的中译英(TensorFlow)
32-基于Transformer的seq2seq模型(PyTorch)
-
利用 tensorflow-serving 部署 tensorflow 训练得到的模型
-
- 部署 PyTorch 训练得到的模型