自然语言处理
- Prompt Learning(提示学习)
- 降维-流形学习-等度量映射(Isomap)
- 推荐系统的技术栈
- 推荐模型相关面经
- 层次聚类AGNES详解
- 降维_奇异值分解(SVD)
- 距离度量以及性能评估方法
- FFM的原理介绍及实现
- FM因子分解机的原理介绍及实现
- 谱聚类详解
- 拉普拉斯近似详解
- 变分推断的原理推导
- 遗传算法(Genetic Algorithm)
- 最大熵原理及代码
- 对话改写模型-RUN详解
- Automatic Chemical Design Using
- 《Graph Attention Networks》
- git使用方法
- 正则化，归一化，标准化的区别与联系
- NLP技术全景图（内含思维导图）
- Siamese CBOW原理
- Pytorch 模型部署方案
- python-Redis使用封装代码
- 一文搞懂对比学习(Contrastive Learning)
- 一文搞懂池化层！Pooling详解(魔改篇)
- 一文搞懂池化层！Pooling详解(网络下采样篇)
- 从零开始强化学习（七）——DDPG
- 从零开始强化学习（六）——模仿学习
- Bagging原理解析
- 深入理解XGBoost
- 文本风格迁移技术调研
- UniLM 模型详解
- 事件间因果关系方向数据调研
- 一文搞懂变分自编码器(VAE, CVAE)
- 一文详解对抗训练方法
- 一文详解图表示学习
- 一文详解图神经网络(sa)
- 一文详解图神经网络(二)
- 一文详解图神经网络(一)
- 序列标注任务常用方法
- 常见文本分类模型
- Multi-task Learning 理论(多任务学习)
- 从零开始强化学习（五）——Deep Q-network(DQN)
- 从零开始强化学习（四）——策略梯度
- 从零开始强化学习（三）——表格型方法
- 从零开始强化学习（二）——马尔可夫决策过程
- 从零开始强化学习（一）——基础概念
- 文本摘要方法
- T5(Transfer Text-to-Text Transfo
- Batch详解
NLU全技术栈，欢迎投稿