|
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
/
Simplified Cost Function and Gradient Descent
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:10分14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
LPC82x:为LPC800 Cortex-M0+系列提供更全面的模拟功能
智能钢丝绳电磁无损检测传感器
直播回放:Microchip 适用于任何云服务的 Trust&GO
Altium Designer设计实例演示合辑
WEBENCH 时钟架构
研讨会 : Renesas 瑞萨电子 针对血糖仪应用的内置模拟前端的 RL78/L1A 系列微控制器
嵌入式实时操作系统VxWorks介绍
Atmel Edge Spinkler 101
半导体制造技术
WEBENCH FPGA Power Architect 功能导览 – 全面的FPGA电源系统设计
推荐帖子
千兆以太网板级连接器
项目中两块PCB板之间,需要通过连接器连接从PHY出来一路千兆以太网信号,之前没有涉及过这个问题,不知道有没有合适的连接器可以使用呢 ...
szc5b
综合技术交流
请教一下这个 Phase Meter 的动作原理
我在网路上找到一份 Intersil 的文档,可以将两正弦波的相位差转变成直流电压输出,但我看其意思还是百司不得其解,因此上来发问,请各位大侠帮我分析一下这个 Phase Meter 的动作原理。我看到原理图的左上角是一个 REFERENCE INPUT,左下角分别是一个 SIGNAL IN 和一个反向的 SIGNAL IN,共有三个输入端,这样子不晓得两个正弦波信号要怎么接?可否请看得懂得大大稍...
PSIR
综合技术交流
分享一个开源软件的下载网址
这几天在下KICAD,官网特别慢,用百度网盘下载速度80k/bps慢的要命 后来找到这个清华大学开源软件镜像站,速度非常快,里边还有很多其它开源软件 https://mirrors.tuna.tsinghua.edu.cn/ ...
littleshrimp
综合技术交流
机械手的灵敏度
硅步机器人Shadow灵巧手一共拥有24个自由度,其中20个由电机驱动,4个欠驱动。这24个自由度每一个都有与人类相近的运动范围,允许其做出与人手类似的动作。 硅步机器人Shadow灵巧手它还具备了129个内置传感器,可以对环境进行触觉感应。这也就意味着,当你带上触觉手套,操控灵巧手进行动作时,手套能够将灵巧手受到的力反馈回来,让你能够轻易地掌握力的大小、方向和距离。 ...
硅步Robot
综合技术交流
用户评论
暂时无评论
推荐视频
更多
理解PID控制(英语字幕)
数学线性系统理论
传感器与测试技术
漫画图解深度学习
韦东山Linux毕业班
李宏毅:机器学习的下一步
电机应用开发实战指南-基于STM32
《对话通信原理视频》
LabVIEW 技巧
揭秘KUKA机器人如何制作特斯拉Model S
相关下载
更多
DDR3__Layout_Design
实例解读51单片机完全学习与应用
Reuse Methodology Manual for System-on-a-Chip Designs (Third Edition)
[机器人学的几何基础].(英国)Selig.清晰版
DesignCon 2019 papers & slides 资料打包
Designing with CSR8670 Hardware Design Guidelines
运放和比较器的区别
STM32菜鸟学习手册一罗嗦版 307页 15.8M 超清书签版
ALTIUM DESIGNER 10从入门到精通
Low-power-design-Methodology
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