|
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
/
Multiple Features
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22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
电子设计从零开始
研讨会 : ADI 数字主动降噪耳机方案
Atmel于2014 CES展会直击之二
PSoC Creator 项目和文件:如何使用“初学者设计(Starter Designs)”
TI C2000在实时控制系统中的新特性
嵌入式linux Framebuffer驱动开发
PSoC创意项目展示:基于PSoC3的无线 EEG 信号获取系统
具 PFC 功能的隔离型反激式控制器可控制电压或电流
互补波形发生器的基本操作
半导体制造技术
推荐帖子
【UFUN学习】第二篇 时钟输出
本篇主要想测三个时钟:一个外部时钟HSE 一个内部时钟HSI 还有一个SYSTEM CLOCK。 STM32的PA.8引脚具有复用功能——时钟输出(MCO), 该功能能将STM32内部的时钟通过PA.8输出 PA8接的是BEEP 我们把示波器探头测试BEEP点 大致代码...
常见泽1
综合技术交流
【NXP USB Type C评测 】呼唤驱动文件
NXP USB CMultiport Adapter测评期待了好久,终于等到了顶新技术的NXP USB C Multiport Adapter demo板,之所以叫它测试板,是因为拿到手的时候,它的配套资料和配件并不接地气,针对大多数都还是usb2.0的用户来说,usbtype-c,还是空中楼阁。需要从新型usb口到现实的usb口之间的转换才可以测试运用。收到NXP USB C Multiport...
dwwzl
综合技术交流
GSM模块的选型应该注意什么
请问一下 关于GSM模块的选择问题,帮忙推荐一下 谢谢 ...
小熊怪物
综合技术交流
10月22日有奖直播回顾:适用于视频、转换器、通信的千兆数字隔离器
直播时间:10月22日10:00-11:30 直播主题: 适用于视频、转换器、通信的千兆数字隔离器 演讲文档:点此下载 观看回放:点击观看 问答汇总: 1、请问骏龙科技与ADI推出的千兆数字隔离器相比传统的或其他厂家的数字隔离器有哪些突出的优势和特点? A:主要是稳定行好,ADI隔离器的鲁棒性在业内做的是...
dancerzj
综合技术交流
用户评论
暂时无评论
推荐视频
更多
机械工程男用重力原理玩转“神器”
2015 TI 音频创新日 (4) 面向条形音箱 (BT/WIFI) 的音频解决方案与完整的参考设计
Atmel AVR设计入门 - 如何配置GPIO
结合罗姆传感器和无线技术的产品演示1:乐队机器人
工程测试技术基础 华中科技大学
编程从娃娃抓起——XKBOT智能机器人
2015 TI 音频创新日 (3) 面向 BT 扬声器 / WIFI 的音频解决方案与完整的参考设计
TI-RSLK 模块 14 - 实时系统
机器学习技法
TI-RSLK 模块 4 - 使用 MSP432 进行软件设计
相关下载
更多
MATLAB神经网络原理与实例精解
matlab数值计算.pdf-Cleve Moler,含源码
ABB机器人学习必会技能,ABB机器人操作指导书
Understanding and Interpreting Standard-Logic Data Sheets
uc3846 datesheet
matrixvb下载
Matlab_Simulink环境下异步电机建模及其工程应用.zip
Kintex-7 FPGA KC705 Evaluation Kit
Xilinx公司关于testbench的学习资料
STM32菜鸟学习手册一罗嗦版 307页 15.8M 超清书签版
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