|
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
/
Matrix Matrix Multiplication
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
电动汽车模拟引擎声音系统设计
贴片焊接技巧培训
2018 PSDS 研讨会系列 - (1) 谐振变换器拓扑综述
Required Technologies for Transmission of 4 x 25 Gb/s Over a Copper Backplane (下)
基于MCU的加密解密空中下载(OTA)演示(IoTT大篷车)
潘文明至简设计法系列教程高效的verilog设计模板
野火FreeRTOS内核实现与应用开发实战指南
Atmel软件框架(ASF)入门(上)
Atmel SAM D设计入门 - 如何配置GPIO
LCR串联谐振电路
推荐帖子
上周末去跑mini马拉松了,大家来看一下这个计时芯片的原理
不管做什么职业,身体素质都是前提,尤其对我们电子、码农一类的人来说,跑步是增强身体素质的一个不错的选择。 如题:上周末(10.15)去跑mini马拉松(10公里)了,大家来讨论一下这个计时芯片的原理? 我的号码牌 计时芯片后面贴着泡沫 撕掉泡沫之后可以看到计时芯片(感觉是天线之类的东西) 撕下计时芯片 大家看看这是什么原理? ...
freeelectron
综合技术交流
同样的硬件和软件 正常静态电流都是100uA 为什么有些机器达到120 130uA,啥原因...
同样的硬件和软件 正常静态电流都是100uA 为什么有些机器达到120 130uA,啥原因?找了很久没发现原因 ...
QWE4562009
综合技术交流
LCD液晶屏如何防潮、防湿
此内容由EEWORLD论坛网友罗姆液晶技术站原创,如需转载或用于商业用途需征得作者同意并注明出处 众所周知,液晶屏需要防潮和防湿,但是有些户外使用的液晶屏要如何保护呢?有些地区到了梅雨季节就是室内液晶屏防潮的工作都是一个难题,今天我们在这里浅聊一下 首先来看室内的液晶屏,安装是一定要选在通风的地方,要经常打开窗户适当的通风,使室内环境相...
罗姆液晶技术站
综合技术交流
手机泄密方式与防泄手段汇总
当前,手机已经成为人们现代生活的必备品之一。手机的私密性使得用户在手机上的信息与自身利益密切相关。手机一旦遭受恶意软件、病毒的侵袭,就会妨碍机主的使用,容易泄露个人隐私,损害用户经济利益,严重的甚至危害国家安全。手机如何防窥 视、防 泄密的问题,越来越受到人们重视。 手机泄露个人隐私的途径五花八门 据统计,截至2015年4月,我国共有手机用户12.93亿户,不少人还拥有两部以上手机,每年全国淘...
azhiking
综合技术交流
用户评论
暂时无评论
推荐视频
更多
看德国人发明的自动做饭机怎么做出中餐
星球大战呆萌机器人BB-8应用展示
Atmel|SMART 基于Cortex M0+核的MCU
大数据算法
正点原子开拓者FPGA视频教程
Matlab神经网络原理与实例精解
电子科技大学《通信原理》经典教程(共39讲)
机器学习
Linux内核分析与应用 西安邮电大学(陈莉君)
手把手教你玩Arduino Robot(机器人)
相关下载
更多
SATA相关资料
软输出维特比译码算法的C语言详细实现,程序效率高,比MATLAB快多了.
Stateflow逻辑系统建模_张威
UCGUI3.98开源+FreeRTOS
基于matlab的反演程序,用于地球物理勘探中射线追踪及偏移成像程序.
电磁场与波 电磁材料及MATLAB计算
Digital Communications A Discrete Time Approach by Michael Rice
AT45DB161D的测试程序.rar
Head First Design Patterns(中文扫描版).pdf
Considerations for the Development of Crucial Parameters for Power MOSFETs in Notebooks
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