|
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
/
Normal Equation Noninvertibility (Optional)
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:5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
用电源开关驱动感性负载
功率级:高性能参数和MOSFET和栅极驱动器的选择
特斯拉Model S的秘密
微机原理与系统设计
PSoC Creator 模拟设计
支持多种工作模式,输出5V/开关电流为4A的升压变换器 TPS61253A
使用Altera视频和图像处理工作台轻松开发设计
ADC基础知识分享 - 选择最适合您应用需求的ADC架构(1)
结合罗姆传感器和无线技术的产品演示1:乐队机器人
直播回放:TI MSP430 铁电超值微控制器方案
推荐帖子
微软即将推出的HoloLens v2可能已经泄露
微软并没有承认他们正在开发HoloLens v2,并且明白了2代产品采用改良的全息处置单元和改良的基于Kinect的深度感应单元。如今,行将上市的HoloLens的设计可能曾经经过NASA喷气推进实验室的最新视频在线泄露,该视频于昨天上传。从上图中能够看出,NASA员工正在佩戴一种尚未面向公众运用的全新HoloLens设备。 有两种可能性:一,这可能是取消的Hololens v2。微软取消了他们...
tlyl18108837711
综合技术交流
多频技术改进数字电源转换
几十年来,电源转换器拓扑结构一直以模拟技术为基础。虽然大多数转换器采用开关技术和脉宽调制 (PWM),但出于功率半导体器件在处理层面上的兼容,以及成本效益的考虑,电路构成主要为模拟。不过,这种情况正在改变。在显著提高数据中心和电信系统效率的过程中,模拟技术及其电路暴露出自身的缺点。 数字电源管理和控制提供实时智能,便于系统开发人员构建电源系统自动适应运行环境的变化,并优化每种特定应用场合的效率。...
月亦雪
综合技术交流
有没有哪个大神再用IAR的,实在用不来啊
网上找了很多资料,但是很多都不明白,一些参数设置好复杂,还有版本和方法也很多不一样的地方,每次编译都是一些乱七八糟的错误。快崩溃了,有没有谁在用IAR弄STM32的。求带啊。...
Destiny|chen
综合技术交流
楼体亮化无线智能控制系统
关键词:楼体亮化无线智能控制系统 楼体亮化控制系统、景观灯控制系统、楼体照明控制系统、景区照明智能控制系统 导读:济南惠驰电子研发的GSM无线照明亮化控制系统,具备遥测、遥信、遥控的三遥功能,融合了GSM通信技术,智能控制技术,现场传感器检测技术,微电脑芯片技术,具有技术性高,扩展性强,可靠性高,全天候、覆盖广的特点。 随着社会的发展,城市景观建设也备受重视,城市楼体亮化,城市...
jnhuichi02
综合技术交流
用户评论
暂时无评论
推荐视频
更多
PSoC Creator 模拟设计
Atmel Studio 6 - QTouch Composer介绍
TI-RSLK 模块 3 - ARM Cortex M
零基础学习c语言
2015 TI 物联网大赛:小球探索者
苹果公司CEO乔布斯在斯坦福大学的演讲中文字幕
操作系统原理 华中科技大学(苏曙光)
爱特梅尔maXTouch S 系列触摸屏控制器 - 创造一直梦寐以求的产品
单片机初识
研讨会 : 贝能国际新型玻璃破碎检测方案
相关下载
更多
SIMULINK 资料汇总__MATLAB资料汇总
AT88SC0104CA 加密芯片读写程序
matlab编写的三维FDTD程序 pml边界条件 实现电磁波传播数值模拟和仿真
MATLAB之父 编程实践 中译本.pdf
本程序为CCK调制的MATLAB仿真程序
电力电子转换器的应用设计Power Electronics Converters Applications and Design
《深度学习实践计算机视觉》PDF 缪鹏.pdf
步行者机器人设计论文资料
SiFive Freedom E300 Platform Reference Manual-v1.0.1
机器学习(西瓜书)周志华
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