|
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
/
Moving Data Around
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:16分7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
单片机初识
苹果公司CEO乔布斯在斯坦福大学的演讲中文字幕
应用于数据包处理的 Smarter Solution
基础教程:电压基准源产品
Delfino双核F2837xD性能介绍
MSP430学习套件九大实验详解
HVI 系列: 高功率密度和高效率适配器的设计考虑
英飞凌智能卡与安全,为互联互通的世界保驾护航
Maker Faire上疯狂的创客们作品集锦
如何构建嵌入式安全系统
推荐帖子
请问这个回路的电流计算方法?
大家好: 如图所示,已知 A 点电压是 5.8 Vp-p, B 点电压是 6 Vp-p,若忽略 C1 和 C2 的容抗, 请问如何计算回路的电流有效值 Irms ? 再请问这种电路结构叫什么名字呢? 谢谢。...
PSIR
综合技术交流
格物致知02——两列光的拍频
格物致知02——两列光的拍频 以前我曾发布一个帖子《格物致知01——拍频》。链接http://bbs.eeworld.com.cn/thread-579258-1-1.html 在那个帖子里面我曾说: —————————————————— “拍”现像,在机械和电路中都很常见。 所谓“拍”,是指两个频率相近的正弦信号合成的一个较低频变幅信号。这里所说的信号,可以是电信号...
maychang
综合技术交流
upp接口连续接收FPGA数据,实现与DSP的通信的技术问题,求大神帮助!!!
本帖最后由 小燕子wy 于 2015-5-13 16:44 编辑 单通道接收,16位数据线。 使用两个DMA接收FPGA的数据(0-32767): upp_reg_hdl->UPID0 = (Uint32)upp_buffer_ping; upp_reg_hdl->UPID1 = ((Uint32)upp_line_count UPID2 = 0; upp_reg_hdl->UPID0...
小燕子wy
综合技术交流
TI信号链专栏上线啦!
嗨,2016年来了,新目标、新生活、新气象……接踵而至 你知道吗?2016年的第一天TI信号链在EEworld上专栏了! 在这里,你与TI信号链的距离只差_______。你懂得! 扒一扒,看一看,也许有你想要的。 TI信号链专栏详情 >>http://www.eeworld.com.cn/TI-signalchain/ ...
EEWORLD社区
综合技术交流
用户评论
暂时无评论
推荐视频
更多
FPGA课程基础(英特尔官方FPGA教程系列)
智能控制 中南大学 蔡自兴
2010全球电子峰会:Altera公司
一个活的亚马逊仓库
Atmel SAM4L picoPower简介
Generative Adversarial Network (GAN)
TI - 基于 AMIC 产品的工业通信总线设计方案
[高精度实验室] 隔离 : 隔离栅极驱动器
低功耗MCU的比较:nanoWatt XLP与MSP430
微纳加工(半导体制造工艺)瑞士联邦理工学院
相关下载
更多
adpcm编码 C语言源程序 可供学习和参考
哈佛-电子学(第二版-吴利民译)2005年10月
AD10以上版本的PCB Logo Creator
Kintex-7 FPGA KC705 Evaluation Kit
机器学习实战 pdf (中文完整版)
分析SNDR、THD、SFDR、ENOB的matlab程序
180篇发烧功放制作学习资料-28.3M-pdf.zip
基于STM32F407ZG的SD卡文件系统FATFS利用SDIO端口的移植
Color Image Processing - Methods and Applications
AT89C51控制的AD5664电路(输出四路40mV电压)
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