|
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 - Intuition I
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:11分9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
世健的 ADI 之路主题游第二站:仪器仪表
采用maXCharger技术提供完美的触摸性能
中国DJI Phantom 2 Vision 航拍样片 CES2014
详解matlab图像函数及其应用
电源设计小贴士37:折中选择输入电容纹波电流的线压范围
机器学习基石
毫米波雷达的应用无处不在
基于Verilog HDL的FPGA设计和FPGA应用(英特尔官方教程)
[高精度实验室] 电机驱动 : 5 电机驱动技术
Linux shell脚本应用
推荐帖子
05.27【每日一问】show出你最得意的电子制作!
虽然在坛子里每个人的能力是不一样的,但是在你和电子结缘的这一段时间内,一定会有让你最具有自豪感的一件制作,那么现在把它秀出来,和大家分享吧,哪怕只是一个led小灯,呵呵,不在技术,只在于一种对电子的热爱。 先说说我的,最得意最有成就感的作品就是自己在没有任何人的帮助下焊接的凌阳的小板,虽然中间有许多的曲折,但...
子诺如歌
综合技术交流
LCD液晶屏使用注意事项
Lcd液晶屏的的分辨率是指液晶屏一定面积上显示像素的一定数量,这就决定了液晶显示屏的物理分辨率是固定不变的, Lcd的液晶屏也是非常的脆弱的,在使用中要特别的小心,以下是lcd液晶屏的一些注意事项: 1.在恒温/恒湿的环境下工作,不稳定的温室度会影响液晶显示屏的寿命。 2.温度波动过大会影响液晶显示器的性能,特别是低温下影响亮度和响应时间。 3.建议在干净、稳...
罗姆液晶技术站
综合技术交流
分享一个国外电子书站点allitebooks
分享一个国外电子书站点,你可以搜索关键字,比如algorithm,data structures,fpge 直接可以下载pdf原版书 www.allitebooks.com ...
kernelkoder
综合技术交流
2012年物联网核心技术师资培训班向EEWORLD网友开放两个免费培训名额!
物联网专业是面向现代信息处理技术,培养从事物联网领域的系统设计、系统分析与科技开发及研究方面的高等工程技术人才。在工业与信息化部人才交流中心指导下,由北京网事纵横科技有限公司主办,北京翰源博业教育科技有限公司协办,携手TI共同举办“2012年物联网核心技术师资培训班”。 培训时间:2012年4月17日-20日  ...
EEWORLD社区
综合技术交流
用户评论
暂时无评论
推荐视频
更多
数据结构
Introduction to Computer Vision
树莓派实战指南
时域测试技术综合实验
小波与滤波器组
云龙51单片机视频教程
用树莓派和Python开发机器人教程
C51 单片机开发实战——智能循迹小车
火遍极客圈的Vincross HEXA 全地形可编程机器人开箱评测
村田顽童的堂妹“村田少女”问世 2
相关下载
更多
ROS By Example:A Do-It-Yourself Guide to the Robot Operating System
林锋教你一步一步玩机器人(arduino)-基础篇
《Java核心技术 卷I:基础知识(原书第10版)》
IR2104 + IRF540 MOS电机驱动全桥 学习与实践过程
Verilog-A/AMS系统设计与仿真 [吴顺珉]
基于MATLAB_Simulink的系统仿真技术与应用大家可以学习下
电子学(第二版-吴利民译)
MSP430通过I2C读取BQ27541
树莓派系列教程11:I2C编程
联想G460 I3 笔记本主板图纸
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