|
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
/
Model Representation
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:8分10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
高性价比EMI诊断测试
Atmel SAM D20 微控制器系列简介
树莓派+Carberry实现全方位距离导航系统
仪器基础系列教程之信号发生器
如何设置TI的ADS8681性能演示套件
直播回放: ST 意法半导体 家用电器三相电机控制解决方案
如何将树莓派变为音乐电台
jQuery应用视频
智能控制导论
人机交互系统中的串行解串器选型
推荐帖子
EEWORLD大学堂----直播回放 : 5G 和边缘计算发展和技术应用
直播回放 : 5G 和边缘计算发展和技术应用:http://training.eeworld.com.cn/course/5698...
hi5
综合技术交流
关于硬盘选购
缓存(Cache memory)是硬盘控制器上的一块内存芯片,具有极快的存取速度,它是硬盘内部存储和外界接口之间的缓冲器。由于硬盘的内部数据传输速度和外界介面传输速度不同,缓存在其中起到一个缓冲的作用。缓存的大小与速度是直接关系到硬盘的传输速度的重要因素,能够大幅度地提高硬盘整体性能。当硬盘存取零碎数据时需要不断地在硬盘与内存之间交换数据,如果有大缓存,则可以将那些零碎数据暂存在缓存中,减小外系统...
细米
综合技术交流
【NXP USB Type C评测 】高低压输入测试
本帖最后由 dcexpert 于 2016-4-23 18:10 编辑 前面在电源部分简单分析了type c的电源,只有在VBUS_CHARGE输入时才会在任何情况工作,它支持5-20V电压。而VBUS是需要通过负载开关控制的。因为没有找到PT5100的资料,不能控制VBUS和VBUS_CHARGE的的切换,所以就先测试了一下高压时的工作情况。 电源部分原理图 在评估板上,VBUS...
dcexpert
综合技术交流
水泵远程控制器
关键词:水泵远程控制器 远程控制水泵 短信远程控制水泵 水泵远程控制终端 手机控制水泵 水泵远程控制系统 水泵水塔自动控制系统 水位无线自动控制系统 GSM远程控制水泵 水泵水塔自动控制系统 电控柜远程自动控制 济南惠驰电子科技有限公司的水泵远程控制器(HC-MP01)是一款基于手机SMS系统进行开发的远程控制终端,控制器内置进口西门子工业级模块和高速微电脑处...
jnhuichi02
综合技术交流
用户评论
暂时无评论
推荐视频
更多
射频电路基础
Atmel AVR XMEGA Xplained与Atmel Studio 6介绍
Atmel GPS 跟踪器应用演示
2015 TI 音频创新日 (9) 高功率放大器和 Akita 介绍
SlimSensor技术消除显示屏噪声的影响
nxp
野火FPGA视频教程
传感器与测试技术
FPGA软件硬件协同设计
数字图像处理 天津理工大学
相关下载
更多
使用 MATLAB 进行 5G 开发
STM32Cube学习笔记 (十六篇全)
Computer Networking:A Top Down Approach Featuringthe Internet,3rd edition. Jim Kurose, Keith Ross
python学习文档
机器人设计与控制 369页 75.4M
MATLAB经典教程:matlab数学建模算法全收录+799页+4.7M+超清书签版
MATLAB_Simulink电力系统建模与仿真.pdf
MATLAB2015 HDL coder 使用教程
mimo空时编码MATLAB仿真程序
ATMEGA16单片机班培训实例
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