|
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
/
Cost Function
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12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
ROS Courses
模拟电子技术基础国防科大杜湘瑜
直播回放: 清洁水源的守护 - ADI 水质监测方案
书写机器演示
运算放大器简介
3级 EV DC充电(桩)站设计考虑因素
TI LED 驱动器
Active Object技术讲解
网络研讨会: 热监测和保护
STM32超值型产品《探索套件》
推荐帖子
EEWORLD大学堂----直播回放 : 3小时实战+剖析:TI 工程师手把手带你全面入门 MSP430
直播回放 : 3小时实战+剖析:TI 工程师手把手带你全面入门 MSP430:http://training.eeworld.com.cn/course/5679...
hi5
综合技术交流
关于点阵闪烁和扫描键盘的问题
经过一天的奋斗,,终于把那个贪吃蛇弄好了,但是在效果上还是不足,当蛇身增长后(4个以后)出现了明显的闪烁问题,还有就是扫描矩阵键盘不是很灵敏。矩阵键盘方面我在尝试改成中断,但是点阵闪烁问题怎么解决啊?延时增加亮度的话又担心执行一次循环累计延时过长程序变得迟缓。这个度怎么把握啊?...
DesTing|陈
综合技术交流
电子信息制造业现回暖迹象
工信部 7月4日发布的数据显示,5月我国电子信息制造业内销、出口交货值增速比4月分别提高3和0.7个百分点 ,电子信息制造业有望逐步企稳回升。 1-5月,规模以上电子制造业增加值同比增长13.1%;实现销售产值31724亿元,同比增长11.2%。其中,5月增加值和销售产值增速分别比上月提高1.9和1.6个百分点。 但与此同时,经济效益低位运行,全行业利润增速进一步下滑。1-4月全行业实现利...
shangshan265
综合技术交流
电路识图6-单元电路的基本分析方法
如果把元器件比作细胞,那么单元电路就是器官,掌握了各种单元电路的分析方法,才能够看懂整个电路图。分析单元电路可以按照以下步骤进行。一、弄清楚单元电路的作用与功能分析单元电路首先应了解单元电路的作用与功能,这从整机电路方框图中很容易搞清楚。单元电路种类众多,可分为模拟电路、数字电路、电源电路等几大类。 1、模拟电路模拟电路是处理、传输或产生模拟信号的电路。常见的模拟单元电路有:放大器、振荡器、电压...
tiankai001
综合技术交流
用户评论
暂时无评论
推荐视频
更多
村田顽童——一年级学生篇
一周搞定系列之模电
C51单片机开发实战——烟雾报警器
Altium Designer设计实例演示合辑
村田顽童的堂妹“村田少女”问世 2
LabVIEW网络讲坛
新唐 8051单片机教程
Linux内核分析与应用 西安邮电大学(陈莉君)
CES 2015: Atmel Avant Car 2.0演示
TI-RSLK 模块 8 - 连接输入和输出
相关下载
更多
卡尔曼滤波的学习与应用
Allegro中文学习教程.pdf
实例解读51单片机完全学习与应用
LINUX命令行学习手册
电子元器件手册:电路 第五版 学习指导与习题分析
Handbook of Industrial Robotics [Second Edition]
制作你自己的爬虫机器人
零基础入门学习C语言课件+源代码
最大似然(ML)准则和最大后验概率(MAP)准则Matlab仿真
《实例解读模拟电子技术完全学习与应用》——“B超之父”皮特·维尔斯教授推荐
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