|
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
/
Unsupervised Learning
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:14分13秒
日期:2018/05/05
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
焊接基础知识
如何使用独立计量 ADC 设计高精度 CT 分相电表
直播回放:TI 专为楼宇自动化传感器应用而生的低功耗无线技术
Altera MAX 10 FPGA模拟模块培训
[高精度实验室] 运算放大器 : 7 共模抑制和电源抑制
Power Tips — 电源管理设计小贴士系列
物联网:TM4C129x Connected Launchpad-构建一个嵌入式网络服务器(3)
多相降压稳压器设计:案例研究
TI DLP®显示技术于新型态显示应用介绍
TI 2016 电机驱动线上研讨会
推荐帖子
PCB板上如何进行模拟地与数字地的隔离
本帖最后由 天涯海角sr 于 2016-12-17 12:53 编辑 我的PCB板上包含单片机、串口触屏、ADC、运放四个主要器件,都用同一个5V电源供电。要解决模拟部分与数字部分的相互干扰,我有几点新手疑问: 1、单片机、串口触屏属于数字元件,ADC、运放属于模拟元件(主要针对其供电电源端),对吗? 2、我按照下图方式布局布线(各用0欧电阻接地),合理吗?到底数字部分先连接电源/地,还是...
天涯海角sr
综合技术交流
MOS管选型
全桥输出经过一个变压器(1:5变比)后为双极性方波脉冲信号,而且脉冲信号脉宽1ms,脉冲间距1s,峰值为280伏,由于负载的阻抗随频率变化,在阻抗最小时,算出的输出峰值电流为60A,所以有以下问题 (1)流过MOS管的瞬时电流就是60乘以5为300A吗?(2)给MOS管选型,看到的DATASHEET中有两个参数, Id(连...
shaorc
综合技术交流
ADI或者TI的血糖仪方案
哪个有ADI或者TI的FAE联系方式?我问问有没有血糖仪的芯片或者应用方案可以介绍,想取代台湾的方案,精准度不够 ...
QWE4562009
综合技术交流
关于元器件代用
论坛的各位前辈,有没有一些可以做元器件替换的联系方式? ...
风吹过北纬
综合技术交流
用户评论
暂时无评论
推荐视频
更多
TI DLP®技术于3D 机器视觉与自动化光学检测之应用
time-of-flight TI 3D传感器
STM32智能小车视频教程
TI 机器人系统学习套件(TI-RSLK)升级版
电池测试设备直流电源系统设计
TI 无线系列深度学习与动手实验
操作系统原理 北京大学 陈向群
代码规范与程序框架
matlab机器学习(英语中字)
机器人学
相关下载
更多
PCI9054驱动源代码,是学习PCI驱动的好教材,大家可以参考参考
ABB机器人系统参数说明书(中文版)
哈佛-电子学(第二版-吴利民译)2005年10月
Python机器学习基础教程.pdf+代码.zip
最齐全最新的systemverilog VMM1.2学习实例附VMM标准库源代码
零基础入门学习C语言课件+源代码
并联机器人机构学理论及控制
Python数据分析基础教程:NumPy学习指南(第2版)
白话大数据与机器学习
最大似然(ML)准则和最大后验概率(MAP)准则Matlab仿真
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