|
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
/
Decision Boundary
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:14分49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
智能盔甲:格斗竞技武器大师
苹果公司CEO乔布斯在斯坦福大学的演讲中文字幕
LabVIEW基础入门
物联网、汽车、AI 全覆盖 - 世平集团,恩智浦解决方案大秀场
转一个老外的超炫RGB旋转时钟
STM32 F0在Anki Drive人工智能汽车中的应用
为JTAG通信设置UCD3138
TI 智能门锁解决方案
Hover Camera-全球首款安全易用便携式无人机
Atmel Studio 6 IDE – 用于ARM和AVR的共同ASF工作流程
推荐帖子
日本的机器人已经学会骑自行车了
本帖最后由 qwqwqw2088 于 2016-5-21 18:38 编辑 日本的机器人已经学会骑自行车了 $('swf_flg').innerHTML=AC_FL_RunContent('width', '550', 'height', '400', 'allowNetworking', 'internal', 'allowScriptAccess', 'never', 'src', en...
qwqwqw2088
综合技术交流
FLUKE 106自改107
本帖最后由 qq849682862 于 2014-8-4 13:04 编辑 参加更改个人资料活动,有幸得到FLUKE 106一块,在此、再次感谢EEWORLD。 拿到手后手痒难耐就想拆机,先度娘看看网上评测,无意发现106、107主板是一样的,就是说106是可以自改为107的,果断拆机 首先看看107和106前视图的区别,107比106多两个按键。 继续上图,看一下前盖的拆解图,注意红圈...
qq849682862
综合技术交流
cypress psoc3
最近要参加一个项目 就是运用这个赛普拉斯公司的 psoc3来进行智能家居的制作,不知道这个好用否?而且 貌似没多少人用 是不是这个性价比不是很好啊?现在还有一个赛普拉斯的比赛 不知道有没有人参加最近查了一些资料 对他有了相对的了解 希望有用他做过项目的坛友能分享一下经验...
missforever
综合技术交流
【转帖】硬件电路设计过程经验分享
本帖最后由 Ameya360皇华 于 2017-11-15 13:38 编辑 献给那些刚开始或即将开始设计硬件电路的人。时光飞逝,离俺最初画第一块电路已有3年。刚刚开始接触电路板的时候,与你一样,俺充满了疑惑同时又带着些兴奋。在网上许多关于硬件电路的经验、知识让人目不暇接。像信号完整性,EMI,PS设计准会把你搞晕。别急,一切要慢慢来。1)总体思路设计硬件电路,大的框架和架构要搞清楚,但要做到...
Ameya360皇华
综合技术交流
用户评论
暂时无评论
推荐视频
更多
150公斤机器人“挨揍”——鲁棒横向平衡
创客机器人PK舞台
TI DLP®技术于3D 机器视觉与自动化光学检测之应用
计算机科学速成课
计算机视觉课程 清华大学 王明哲
Atmel软件框架(ASF)入门(上)
「嵌入式人工智能」- 中文聊天机器人开发
ARM 2014 多媒体研讨会
自动控制原理 西北工业大学 卢京潮
Stellaris LaunchPad入门讲座(二)
相关下载
更多
林锋教你一步一步玩机器人(arduino)--制作篇(入门组件A)
Python学习笔记
VB串口编程,关于上位机的应用,特别适合初级学习VB的学员
自律型机器人制作入门 基于Arduino 216页 27.0M 高清版
电子元器件手册:电路 第五版 学习指导与习题分析
Introduction.to.Robotics,.Mechanics.and.Control.JOHN.J.CRAIG
Xilinx公司关于testbench的学习资料
深度学习资料包
大学的每个专业都要编制教学计划。假设任何专业都有固定的学习年限
电子学习数字电路教案
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