|
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
/
Control Statements- for, while, if statements
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:12分55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
Cypress CapSense MBR3 触控按键解决方案介绍
如何使用XILINX方案提高马达控制驱动性能
小梅哥Intel SoC FPGA开发与应用培训课程
Vishay Power Metal Strip® 电阻器短时过载(产品演示)
比尔·盖茨在微软的最后一天——盖茨携好莱坞巨星出演搞笑片
东芝蓝牙芯片
CES 2015: 世界上最低功耗SMART SAM L21 ARM Cortex-M0+演示
如何设计TI的DC/DC器件
开关电源课程
STM32F7上的Linux TCP/IP协议栈和网络
推荐帖子
产品用的是两节干电池,电压3.2V,为了防止电池接反,用了MOS。仿真的效果来看,只...
产品用的是两节干电池,电压3.2V,为了防止电池接反,用了MOS。仿真的效果来看,只能用N管!而不能用P管,P管在接反的时候依然有输出,输出是负电压。这个对后级的电路有什么影响? ...
QWE4562009
综合技术交流
电感的作用
电感的基本作用就是滤波、振荡、延迟、陷波等。在形象一点的说法就是:“通直流,阻交流”。在从细节上来说,它是在线路板中,电感线圈对交流有限流作用,它与电阻器或电容器能组成高通或低通滤波器、移相电路及谐振电路等;变压器可以进行交流耦合、变压、变流和阻抗变换等。电感线圈也是一个储能元件,它以磁的形式储存电能,储存的电能大小可用下式表示:WL=1/2 Li2 。可见,...
dianzu66
综合技术交流
单色液晶屏的功耗问题
经常有客户会问我们液晶屏功耗的问题,但是很多时候客户到处问得到的答案却相差很多,罗姆液晶作为一个专业的生产厂家,正好借此机会回答下这个问题。 单色液晶屏的功耗通常和4个要素有关(不考虑外部的元器件): 液晶屏尺寸 液晶屏类型 芯片类型 背光LED灯数 液晶屏尺寸 因为液晶屏内部其实也都是一根根线路组成,而液晶屏尺寸越大,除了内...
罗姆液晶技术站
综合技术交流
公布:第二轮参与抽取11.11元购万用表、焊台、开发板的参与者
11.11元购万用表、开发板啦,属于e络盟新用户的双11盛宴~ 活动,第二轮抽奖将于11月18日10:00正式开启,本轮奖池中包含: 可参与的网友:第一轮参与未中奖的网友、截止到11月16日15:00前申请参与的网友,且通过e络盟新用户审核,他们邮箱如下,抽奖链接已经发送到各位邮箱内,敬请11月18日10:00,通过邮箱的抽奖链接,前往抽奖。 本...
nmg
综合技术交流
用户评论
暂时无评论
推荐视频
更多
PSoC Creator 设计入门:管脚配置
TI SimpleLink MCU无线平台及软件套件介绍现场培训
手把手教你学51单片机与Proteus
TI AMIC110 多协议通信芯片工业应用优化解决方案
C语言程序设计视频教程(曾怡)
电池测试设备直流电源系统设计
火遍极客圈的Vincross HEXA 全地形可编程机器人开箱评测
自主移动机器人 西北工业大学
直播回放 : TI 最新 C2000 实时控制器,在功率变换应用中实现高性能的成本优化型设计
Atmel加密认证产品介绍
相关下载
更多
Understanding and Interpreting Standard-Logic Data Sheets
REX Portation User Guide
芯达STM32入门系列教程合集共十五章
BCI Competition IV dataset脑电数据竞赛数据 mat 文件
Understanding LTE with MATLAB: From Mathematical modeling to simulation and...
iar for msp430 6.3.zip
Allegro中文学习教程.pdf
PCI_Express_M.2_Specification_Rev1.1
基于模型的设计-MCU篇
电路原理学习指导与习题集(第2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