|
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
/
Gradient Descent in Practice II - Learning Rate
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58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
Virtex-5 功耗估计与测量演示
飞思卡尔 5 W 单线圈无线充电发送器参考设计
PLC到P1025链路的演示系统(采用西门子系统驱动风扇)
Atmel|SMART基于Cortex-M0+核的最低功耗MCU SAML21研讨会
CC3220SF WiFi HomeKit 演示Demo
设计指南-数字电位器
Haiwell海为物联网云HMI快速入门视频教程
低频和直流操作的栅极驱动注意事项
Digi-Key 与 DFRobot 的 maker 作品: 重力感应游戏机 DIY
F28335 和入门套件演示
推荐帖子
【API】多pk分组&用户场景&通用定时任务api已经发布
多PK分组、用户场景和通用定时任务接口已经发布。 以上OPEN API 用户/厂商 可免费使用。 多PK分组: 可让用户/厂商对不用产品的设备进行归类管理。接口兼容原有的单PK分组,不同点在于创建多 pk 分组时不需要指定 pk ,多 pk 分组目前仅提供分组功能,目前不支持组远程控制和组定时任务。接口地址:http://swagger.gizwits.com/doc/index/opena...
z3512641347
综合技术交流
EEWORLD大学堂----直播回放: 贝能国际新型玻璃破碎检测方案
直播回放: 贝能国际新型玻璃破碎检测方案 :http://training.eeworld.com.cn/course/5313...
hi5
综合技术交流
如何选用IC扁平集成电路拔放台的喷咀?
本文为热风喷咀选用尺寸规格指南。如您的芯片已定但不知道选用何种喷咀,或者标准喷咀不能合乎要求而需要定制,您需要提供IC制造商的IC绘图;提供IC样品。如果以上不能提供,请准确填写下表: 1、选中IC类型后,在空格内尺寸; 2、以0.1mm为量度; 3、如A或a的大小≤10mm,一般不能制作内部有孔的喷咀,只能提供没有孔的喷咀,不能进行BGA芯片拔取; 4、如需定制其它类...
bjhyyq
综合技术交流
存储测试之txbench
TxBENCH是最近才流行的SSD测试软件,除了有基础测试项目外,还支持自定义测试项目,可以自由设定测试的区块大小、队列深度等等,还有全盘写入测试(FILE和RAW都支持)。 SSD特性检测功能比CrystalDiskInfo更全面深入,是否支持Device Sleep功能也能检测出来。甚至还有Secure Erase安全擦除,分4种模式:标准Secure Erase(擦除FTL层)、增强Sec...
白丁
综合技术交流
用户评论
暂时无评论
推荐视频
更多
Atmel高性能MPU简介
低功耗MCU的比较:nanoWatt XLP与MSP430
Atmel SmartConnect 平台 - 全新物联网 Wi-Fi 解决方案(二)
2014年Altera杯大学生电子设计竞赛作品集锦
传感器技术及应用 北京航空航天大学 樊尚春
FreeRTOS on stm32 ST
至芯科技FPGA入门课程
PSoC Creator 模拟设计
Atmel SAM D2x电容触摸解决方案
matlab simulation of fly-back converter
相关下载
更多
NDP452-KB2901954-Web
电子元器件检测与维修完全学习手册
《CMOS VLSI Design A Circuits and Systems Persp(fourth edition) 》英文版
CMOS Analog Circuit Design
keil c51平台,此代码可用于学习TFT LCD 之TCON,SCALER,OSD,(本人自己修改)
《Switch-Mode Power Converters:Design and Analysis》-Keng C.Wu-Elsevier-2006
《Java核心技术卷II:高级特性(原书第10版)》
6*6mm四脚贴片按键PCB封装
完整的C语言编写的带通滤波器 运行成功并在matlab上检验
基于ATmega88PA智能太阳路灯控制器的设计
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