|
首页
|
电子技术
|
电子产品应用
|
电子头条
|
论坛
|
电子技术视频
|
下载
|
参考设计
|
Datasheet
|
活动
|
技术直播
|
datasheet
datasheet
文章
搜索
大学堂
上传课程
登录
注册
首页
课程
TI培训
直播频道
专题
相关活动
芯兑换
您的位置:
EEWORLD大学堂
/
机器学习/算法
/
机器学习 吴恩达
/
Welcome
播放列表
课程目录
课程笔记
课时1:Welcome
课时2:What is Machine Learning
课时3:Supervised Learning
课时4:Unsupervised Learning
课时5:Model Representation
课时6:Cost Function
课时7:Cost Function - Intuition I
课时8:Cost Function - Intuition II
课时9:Gradient Descent
课时10:Gradient Descent Intuition
课时11:Gradient Descent For Linear Regression
课时12:What-'s Next
课时13:Matrices and Vectors
课时14:Addition and Scalar Multiplication
课时15:Matrix Vector Multiplication
课时16:Matrix Matrix Multiplication
课时17:Matrix Multiplication Properties
课时18:Inverse and Transpose
课时19:Multiple Features
课时20:Gradient Descent for Multiple Variables
课时21:Gradient Descent in Practice I - Feature Scaling
课时22:Gradient Descent in Practice II - Learning Rate
课时23:Features and Polynomial Regression
课时24:Normal Equation
课时25:Normal Equation Noninvertibility (Optional)
课时26:Basic Operations
课时27:Moving Data Around
课时28:Computing on Data
课时29:Plotting Data
课时30:Control Statements- for, while, if statements
课时31:Vectorization
课时32:Working on and Submitting Programming Exercises
课时33:Classification
课时34:Hypothesis Representation
课时35:Decision Boundary
课时36:Cost Function
课时37:Simplified Cost Function and Gradient Descent
课时38:Advanced Optimization
课时39:Multiclass Classification- One-vs-all
课时40:The Problem of Overfitting
课时41:Cost Function
课时42:Regularized Linear Regression
课时43:Regularized Logistic Regression
课时44:Non-linear Hypotheses
课时45:Neurons and the Brain
课时46:Model Representation I
课时47:Model Representation II
课时48:Examples and Intuitions I
课时49:Examples and Intuitions II
课时50:Multiclass Classification
课时51:Cost Function
课时52:Backpropagation Algorithm
课时53:Backpropagation Intuition
课时54:Implementation Note- Unrolling Parameters
课时55:Gradient Checking
课时56:Random Initialization
课时57:Putting It Together
课时58:Autonomous Driving
课时59:Deciding What to Try Next
课时60:Evaluating a Hypothesis
课时61:Model Selection and Train-Validation-Test Sets
课时62:Diagnosing Bias vs. Variance
课时63:Regularization and Bias-Variance
课时64:Learning Curves
课时65:Deciding What to Do Next Revisited
课时66:Prioritizing What to Work On
课时67:Error Analysis
课时68:Error Metrics for Skewed Classes
课时69:Trading Off Precision and Recall
课时70:Data For Machine Learning
课时71:Optimization Objective
课时72:Large Margin Intuition
课时73:Mathematics Behind Large Margin Classification (Optional)
课时74:Kernels I
课时75:Kernels II
课时76:Using An SVM
课时77:Unsupervised Learning- Introduction
课时78:K-Means Algorithm
课时79:Optimization Objective
课时80:Random Initialization
课时81:Choosing the Number of Clusters
课时82:Motivation I- Data Compression
课时83:Motivation II- Visualization
课时84:Principal Component Analysis Problem Formulation
课时85:Principal Component Analysis Algorithm
课时86:Choosing the Number of Principal Components
课时87:Reconstruction from Compressed Representation
课时88:Advice for Applying PCA
课时89:Problem Motivation
课时90:Gaussian Distribution
课时91:Algorithm
课时92:Developing and Evaluating an Anomaly Detection System
课时93:Anomaly Detection vs. Supervised Learning
课时94:Choosing What Features to Use
课时95:Multivariate Gaussian Distribution (Optional)
课时96:Anomaly Detection using the Multivariate Gaussian Distribution (Optional)
课时97:Problem Formulation
课时98:Content Based Recommendations
课时99:Collaborative Filtering
课时100:Collaborative Filtering Algorithm
课时101:Vectorization- Low Rank Matrix Factorization
课时102:Implementational Detail- Mean Normalization
课时103:Learning With Large Datasets
课时104:Stochastic Gradient Descent
课时105:Mini-Batch Gradient Descent
课时106:Stochastic Gradient Descent Convergence
课时107:Online Learning
课时108:Map Reduce and Data Parallelism
课时109:Problem Description and Pipeline
课时110:Sliding Windows
课时111:Getting Lots of Data and Artificial Data
课时112:Ceiling Analysis- What Part of the Pipeline to Work on Next
课时113:Summary and Thank You
时长:6分54秒
日期:2018/05/03
收藏视频
分享
上传者:老白菜
去评论
课程介绍
相关标签:
机器学习
ML
machine learning
此课程将广泛介绍机器学习、数据挖掘与统计模式识别的知识。主题包括:(i) 监督学习(参数/非参数
算法
、支持向量机、内核、神经网络)。(ii) 非监督学习(聚类、降维、推荐
系统
、深度学习)。(iii) 机器学习的优秀案例(偏差/方差理论;机器学习和人工
智能
的创新过程)课程将拮取案例研究与应用,学习如何将学习算法应用到智能机器人(观感,
控制
)、文字理解(网页搜索,防垃圾邮件)、计算机视觉、医学信息学、
音频
、数据挖掘及其他领域上。
显示全部 ↓
换一批
猜你喜欢
HVI 系列: 掌握隔离门驱动器的稳健性 - CMTI 的深入研究
SAM4L: picoPower
如何利用现代示波器实现准确测量(三)
香蕉派(Banana Pi)摄像头和LCD连接及驱动详解
氮化镓功率器件TI-GaN在900V千瓦级多电平系统中的应用
基于VHDL的FPGA与NIOS II实例精炼
Microchip多媒体开发板
基于 Jacinto™ TDA2x SoC 和深度学习的实时 mmWave 和相机传感器融合系统设计
LabVIEW 程序调试之谜
机器学习 吴恩达
推荐帖子
EEWORLD大学堂----ST-EEWORLD线下网友见面会实录(咱坛友自己的研讨会~)
ST-EEWORLD线下网友见面会实录(咱坛友自己的研讨会~):http://training.eeworld.com.cn/course/3529既是论坛STM32英雄联盟设计大赛的队友交流会,又是资深工程师们畅谈技术、趋势、理想的线下论坛。真正咱坛友自己的研讨会~ ,看EEWORLD资深坛友的精彩发言: 智能化时代的机遇与挑战(主讲人:chunyang )STM32在分布机器人中的应用(主讲人...
phantom7
综合技术交流
EEWORLD大学堂----世界首款柔性智能屏手机
世界首款柔性智能屏手机:http://training.eeworld.com.cn/course/3554 加拿大研究人员最近开发出了一款可弯曲的智能手机,它有高分辨率的彩色屏幕、支持无线功能,这款手机名叫“ReFlex”。 要知道,光是柔性OLED屏还不行,还需要电路板和电池都是柔性的,这才是关键! ReFlex 采用的是LG生产的6...
抛砖引玉
综合技术交流
Mouser初体验+购买CC2650STK心得分享
本帖最后由 damiaa 于 2016-5-15 12:40 编辑 Mouser初体验+购买CC2650STK心得分享 大家好,垂涎CC2650STK已经很久了! 正好EEWORLD和Mouser联手搞活动,这不就下手了。哈哈。 4...
damiaa
综合技术交流
阻抗或者导纳特性曲线若干问
一般情况换能器的特性曲线都是R和X组成的阻抗特性曲线或者由G和B组成的导纳特性曲线 但是现在我的换能器的曲线是Cp和G组成的特性曲线 如下图可见 所以有点困惑,有以下问题 【1】G还是电导的意思,那Cp是指哪儿的电容呢? 【2】每个频率点,对应不同的Cp,那么要算该频率时的阻抗时 电阻就是1/G了, 电抗用公...
shaorc
综合技术交流
用户评论
暂时无评论
推荐视频
更多
跟随格兰特 • 今原,探秘机器人与人类如何共处
正点原子手把手教你学STM32-STemWin
TI 嵌入式处理器最新产品发布会
研讨会:高性能 i.MX RT 处理器助力智能节点无需联网实现机器学习
编程从娃娃抓起——XKBOT智能机器人
玩转 Arduino —写出好的控制代码
同济大学FPGA课程视频
开源力量 linux内核源码研读与实战演练
漫画图解深度学习
李宏毅:机器学习的下一步
相关下载
更多
机器学习(西瓜书)周志华
IIC总线实例(带说明)学习源码
《STM32菜鸟学习手册-啰嗦版》超清书签版
《深度学习:Java语言实现》
深度学习21天学习
Xilinx公司关于testbench的学习资料
IEEE standard Verilog HDL1364-2001.pdfVerilog 学习必备资料
跟我一起动手学习S7-300 400 PLC(清晰版)
Verilog HDL数字设计与综合(第二版)
《可编程逻辑器件应用与实践》学习情境4数字电压表的设计与制作(电路设计与PCB)
电子工程世界版权所有
京ICP证060456号
京ICP备10001474号-1
电信业务审批[2006]字第258号函
京公网安备 11010802033920号
Copyright © 2005-2021 EEWORLD.com.cn, Inc. All rights reserved
用户评论