Tensroflow練習,包括強化學習、推薦系統、nlp等

2021-02-16 機器學習AI算法工程


向AI轉型的程式設計師都關注了這個號👇👇👇

機器學習AI算法工程   公眾號:datayx


代碼和數據集  獲取:

關注微信公眾號 datayx  然後回復  tf  即可獲取。

AI項目體驗地址 https://loveai.tech


目錄

1、基礎
TensorFlow基礎知識點總結
用tensorboard來看看我們的網絡流吧
使用dropout來避免過擬合吧
使用Tensorflow實現第一個神經網絡吧!
實現CNN對mnist手寫數字分類

2、自然語言相關
使用簡單的RNN觀測數字中的規律
更進一步,使用LSTM實現對手寫數字識別
簡單的Seq2Seq實現作對聯
使用Seq2Seq+attention model實現簡單的Chatbot

3、強化學習相關
實戰深度強化學習DQN-理論和實踐
DQN三大改進(一)-Double DQN
DQN三大改進(二)-Prioritised replay
DQN三大改進(三)-Dueling Network
深度強化學習-Policy Gradient基本實現
深度強化學習-Actor-Critic算法原理和實現
深度強化學習-DDPG算法原理和實現
Pointer-network理論及tensorflow實戰
探秘多智能體強化學習-MADDPG算法原理及簡單實現

4、推薦系統
推薦系統遇上深度學習(一)--FM模型理論和實踐
推薦系統遇上深度學習(二)--FFM模型理論和實踐
推薦系統遇上深度學習(三)--DeepFM模型理論和實踐
推薦系統遇上深度學習(四)--多值離散特徵的embedding解決方案
推薦系統遇上深度學習(五)--Deep&Cross Network模型理論和實踐
推薦系統遇上深度學習(六)--PNN模型理論和實踐
推薦系統遇上深度學習(七)--NFM模型理論和實踐
推薦系統遇上深度學習(八)--AFM模型理論和實踐
推薦系統遇上深度學習(九)--評價指標AUC原理及實踐
推薦系統遇上深度學習(十)--GBDT+LR融合方案實戰
推薦系統遇上深度學習(十一)--神經協同過濾NCF原理及實戰
推薦系統遇上深度學習(十二)--推薦系統中的EE問題及基本Bandit算法
推薦系統遇上深度學習(十三)--linUCB方法淺析及實現
推薦系統遇上深度學習(十四)--《DRN:A Deep Reinforcement Learning Framework for News Recommendation》
推薦系統遇上深度學習(十五)--強化學習在京東推薦中的探索
推薦系統遇上深度學習(十六)--詳解推薦系統中的常用評測指標
推薦系統遇上深度學習(十七)--探秘阿里之MLR算法淺析及實現
推薦系統遇上深度學習(十八)--探秘阿里之深度興趣網絡(DIN)淺析及實現
推薦系統遇上深度學習(十九)--探秘阿里之完整空間多任務模型ESSM
推薦系統遇上深度學習(二十)--貝葉斯個性化排序(BPR)算法原理及實戰
推薦系統遇上深度學習(二十一)--階段性回顧
推薦系統遇上深度學習(二十二)--DeepFM升級版XDeepFM模型強勢來襲!
推薦系統遇上深度學習(二十三)--大一統信息檢索模型IRGAN在推薦領域的應用
推薦系統遇上深度學習(二十四)--深度興趣進化網絡DIEN原理及實戰!
推薦系統遇上深度學習(二十五)--當知識圖譜遇上個性化推薦
推薦系統遇上深度學習(二十六)--知識圖譜與推薦系統結合之DKN模型原理及實現
推薦系統遇上深度學習(二十七)--知識圖譜與推薦系統結合之RippleNet模型原理及實現

5、GAN
聽說GAN很高大上,其實就這麼簡單
對抗思想與強化學習的碰撞-SeqGAN模型原理和代碼解析

閱讀過本文的人還看了以下文章:

TensorFlow 2.0深度學習案例實戰

基於40萬表格數據集TableBank,用MaskRCNN做表格檢測

《基於深度學習的自然語言處理》中/英PDF

Deep Learning 中文版初版-周志華團隊

【全套視頻課】最全的目標檢測算法系列講解,通俗易懂!

《美團機器學習實踐》_美團算法團隊.pdf

《深度學習入門:基於Python的理論與實現》高清中文PDF+源碼

特徵提取與圖像處理(第二版).pdf

python就業班學習視頻,從入門到實戰項目

2019最新《PyTorch自然語言處理》英、中文版PDF+源碼

《21個項目玩轉深度學習:基於TensorFlow的實踐詳解》完整版PDF+附書代碼

《深度學習之pytorch》pdf+附書源碼

PyTorch深度學習快速實戰入門《pytorch-handbook》

【下載】豆瓣評分8.1,《機器學習實戰:基於Scikit-Learn和TensorFlow》

《Python數據分析與挖掘實戰》PDF+完整源碼

汽車行業完整知識圖譜項目實戰視頻(全23課)

李沐大神開源《動手學深度學習》,加州伯克利深度學習(2019春)教材

筆記、代碼清晰易懂!李航《統計學習方法》最新資源全套!

《神經網絡與深度學習》最新2018版中英PDF+源碼

將機器學習模型部署為REST API

FashionAI服裝屬性標籤圖像識別Top1-5方案分享

重要開源!CNN-RNN-CTC 實現手寫漢字識別

yolo3 檢測出圖像中的不規則漢字

同樣是機器學習算法工程師,你的面試為什麼過不了?

前海徵信大數據算法:風險概率預測

【Keras】完整實現『交通標誌』分類、『票據』分類兩個項目,讓你掌握深度學習圖像分類

VGG16遷移學習,實現醫學圖像識別分類工程項目

特徵工程(一)

特徵工程(二) :文本數據的展開、過濾和分塊

特徵工程(三):特徵縮放,從詞袋到 TF-IDF

特徵工程(四): 類別特徵

特徵工程(五): PCA 降維

特徵工程(六): 非線性特徵提取和模型堆疊

特徵工程(七):圖像特徵提取和深度學習

如何利用全新的決策樹集成級聯結構gcForest做特徵工程並打分?

Machine Learning Yearning 中文翻譯稿

螞蟻金服2018秋招-算法工程師(共四面)通過

全球AI挑戰-場景分類的比賽源碼(多模型融合)

斯坦福CS230官方指南:CNN、RNN及使用技巧速查(列印收藏)

python+flask搭建CNN在線識別手寫中文網站

中科院Kaggle全球文本匹配競賽華人第1名團隊-深度學習與特徵工程

不斷更新資源

深度學習、機器學習、數據分析、python

 搜索公眾號添加: datayx  

機大數據技術與機器學習工程

 搜索公眾號添加: datanlp

長按圖片,識別二維碼

相關焦點

  • 1,CV;2,NLP;3,推薦系統?
    推薦系統和廣告,廣告作弊太普遍了,到處都是保量刷量,跪舔廣告主爸爸,現在有搞頭的,也就學習在各種爸爸約束下搞流控,pacing,強化學習啥的,一個目標後面搭配10個爸爸約束,經常發現又不數學太難一時半會解不出來,有不就是無解,最後解決方案是找到爺爺,讓爸爸都聽爺爺的,約束一下子少了很多,然後又成了社會工程學問題,沒啥技術含量。
  • 用強化學習研究推薦系統的前景和難度怎麼樣?
    - 知乎https://www.zhihu.com/question/328133447姊妹篇:增強學習在推薦系統有什麼最新進展?- 知乎https://www.zhihu.com/question/57388498正文:用強化學習研究推薦系統的前景和難度怎麼樣?
  • 【CMU 2017秋季】深度學習NLP課程,PPT+視頻+課程表
    本課程每個部分將介紹自然語言的一個特定問題或語言現象,描述為什麼這些問題或現象很難建模,並展示幾個解決這些問題的模型。課程將涵蓋在創建神經網絡模型中涉及到的不同技術,包括處理易變大小和結構化句子,高效處理大數據,半監督和無監督學習,結構化預測和多語言建模。
  • 支持53種語言預訓練模型,斯坦福發布全新NLP工具包StanfordNLP
    利用深度學習,該管道在每個相互關聯的任務階段中都實現了有競爭力的性能:分詞、句子和詞分割、詞性(POS)/形態特徵(UFeats)標記、詞形歸併,最後是依存關係解析。當對所有 treebank 進行宏觀平均時,該系統幾乎可以在所有指標上實現競爭性能。此外,當僅在 big-treebanks 上進行評估時,它在多個指標上實現了最佳性能。即使不是表現最好的系統,該系統也會在這些 treebank 上的每個指標上取得競爭結果。該系統由單系統組件組成,而一些表現最佳的模型則使用集成方法。
  • 2019,不可錯過的NLP「高光時刻」
    內容 主要集中於 NLP 領域,但也會包括一些與 AI 有關的有趣故事,包括新發布模型、工程成果、年度報告以及學習資源等。文章較長,將近萬字,適合先馬後看,靜下心來細細研讀。模型與文獻谷歌AI 提出了 ALBERT 模型,這是 BERT 模型的簡化版本,用於語境化語言表示的自監督學習。相較於 BERT,其在模型更加精練的同時更有效地分配了模型的容量。
  • 深度學習在NLP中的運用?從分詞、詞性到機器翻譯、對話系統
    》中,我們已經講到,2016 年是深度學習大潮衝擊 NLP 的一年,通過去年一年的努力,深度學習在 NLP 領域已經站穩了腳跟。其中,對話交互系統已經成為一個重要的應用研究領域,2017 年的自然語言對話系統,將開創一個新的人機互動時代。
  • 深度學習建模方法,首先需要了解建模的思路
    在當前人工智慧人才缺口大的前提下,編程課成為很多學校選擇重點投入的科目,但是有些學校的老師在校內教學方法上存在一些問題,授課講解的不夠系統,無法進行深度學習建模操作。深度學習建模方法的教學,首先需要講解建模的思路,然後才是使用的計算機建模工具的使用,目前有相關主流程式語言的入門教程,可以推薦華為雲安全部門負責人張勇教授的,其介紹了linux編程環境下如何操作建模機器學習深度學習的環境配置,並分享了多年經驗的建模實踐和驗證過程。
  • NLP學習思維導圖,非常的全面和清晰
    作者 | Tae Hwan Jung & Kyung Hee編譯 | ronghuaiyang【導讀】Github上有人整理了NLP的學習路線圖(思維導圖),非常的全面和清晰,分享給大家。先奉上GitHub地址:https://github.com/graykode/nlp-roadmapnlp-roadmap 是 Natural Language Processing 的路線圖(思維導圖),以及為對學習NLP感興趣的同學準備的一些關鍵字。這個路線圖涵蓋了從基礎的概率/統計到SOTA的NLP的模型。注意!
  • 好課推薦 | 基於策略的強化學習和強化學習理論
    因此,小編整理了英國倫敦大學學院(UCL)汪軍教授帶來的《基於策略的強化學習和強化學習理論》課程,讓有興趣的同學了解、走進強化學習與智能科學這一前沿領域。備註:該課程來自於近日國內外知名高校和研究機構的強化學習領域研究者共同發起的RLChina 2020強化學習夏令營。
  • 深度學習的NLP工具
    在亞馬遜雲服務(AWS)上研究深度學習和自然語言處理之後,我發現這不是個例。重現NLP模型比計算機視覺模型難得多。數據預處理管道包括需要重要步驟,並且模型本身有很多可調節組件。這個團隊包括 Xingjian Shi (@sxjscience), Chenguang Wang (@cgraywang), Leonard Lausen (@leezu), Aston Zhang (@astonzhang), Shuai Zheng (@szhengac), 和我自己 (@szha).  GluonNLP 誕生了!
  • 【NLP】競賽必備的NLP庫
    spaCy是功能強化的NLP庫,可與深度學習框架一起運行。spaCy提供了大多數NLP任務的標準功能(標記化,PoS標記,解析,命名實體識別)。spaCy與現有的深度學習框架接口可以一起使用,並預裝了常見的語言模型。
  • 帶新手走進自然語言處理,7本NLP專業書
    然後介紹了更為專業化的神經網絡結構,包括一維卷積神經網絡、循環神經網絡、條件生成模型和基於注意的模型。然後,對樹網絡、結構化預測和多任務學習的發展前景進行了展望。書評:「慎思園六棟: dl在nlp應用的綜述吧。因為書挺薄的,可內容覆蓋挺廣,所以不能對深度有要求。
  • NLP 領域還有 5 大開放問題
    面向目標的對話系統(Goal oriented dialogue systems)從 ACL 學會出版的論文集來看,近一兩年的 ACL 會議、EMNLP 會議中研究面向目標的對話系統的論文都有大幅增加。這就是又一個開放性問題:如何設計具備常識、能在真實世界語境中與人類進行較長的、面向目標的交談的機器對話系統。
  • 數據競賽必備的NLP庫總結!
    spaCy是功能強化的NLP庫,可與深度學習框架一起運行。spaCy提供了大多數NLP任務的標準功能(標記化,PoS標記,解析,命名實體識別)。spaCy與現有的深度學習框架接口可以一起使用,並預裝了常見的語言模型。
  • 一套自適應學習系統應該包括哪些環節?
    一套自適應學習系統又包括了哪些環節?對於創業者而言又該如何用自適應教學提高自己的產品差異化?為什麼要做自適應學習?任何教育科技都不是萬能藥,我們首先應該帶著懷疑的眼光去問,為什麼要做自適應學習?常見的理由有這麼幾個。A.
  • 想快速入門NLP?我們測評了15門最火課程,幫你找到最適合的
    對新手來說,我並不推薦這門課程,因為它缺少太多內容。它只需要你有一定的機器學習背景,nlp背景並不是必須的。而且,授課方準備了很多值得閱讀的報告,這也非常有助於學習。通過這門課,你可以收穫很廣的知識面,但對於只鑽研nlp的人來說,我並不是很推薦這門課。
  • 打包帶走,競賽必備的NLP庫
    上周在給大家介紹了OpenMMlab一系列的CV庫後,有很多同學問有沒有推薦的
  • 強化學習應用簡介
    谷歌研發了基於強化學習的YouTube視頻推薦算法。亞馬遜與英特爾合作,發布了一款強化學習實體測試平臺AWS DeepRacer. 滴滴出行則把強化學習應用於派單等業務。阿里、京東、快手等把強化學習應用於推薦系統。強化學習一般看成是機器學習的一種。機器學習從數據中學習做預測或決策。一般把機器學習分為監督學習、無監督學習、和強化學習。監督學習中的數據有標註;無監督學習的數據沒有標註。
  • 強化學習精品書籍
    本書主要目標是提供關於強化學習領域中的最新研究文章,內容包括部分可觀察環境,分層任務分解,關係知識表示和預測狀態表示。此外,本書有幾章還回顧了機器人,遊戲和計算神經科學中的強化學習方法。在 2018 年阿里巴巴開放了一本描述強化學習在實踐中應用的書籍《強化學習在阿里的技術演進與業務創新》,這本書重點描述了阿里巴巴在推動強化學習輸出產品及商業化的實踐過程。
  • 史丹福大學發布 StanfordNLP,支持多種語言
    stanfordnlp/說明如果在研究中使用了他們的神經管道,可以參考他們的 CoNLL 2018 共享任務系統描述文件:@inproceedings{qi2018universal,address = {Brussels, Belgium},author = {Qi, Peng and Dozat, Timothy and Zhang, Yuhao and