|
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
/
The Problem of Overfitting
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:9分42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
研讨会 : TI SimpleLink Security
电路保护性设计
同济大学FPGA课程视频
Fundamentals of Power Electronics电力电子基础
最大限度地减少线性稳压器输出中的开关稳压器残留物
一天攻破K60
看德国人发明的自动做饭机怎么做出中餐
Microchip PIC18 Explorer开发板
直播回放:传感器在物联网中的最新应用
高压隔离技术的工作原理
推荐帖子
EMC静电测试串口损坏问题
EMC 静电测试 串口损坏问题 空气放电 接触放电常测试的时候,串口直接死掉,板子还会重启,回来换了232芯片串口正常了,但是选的232芯片是后缀带E的,为什么还过不了测试呢? ...
gurou1
综合技术交流
泰克旗舰店六周年店庆,转发海报赢Apple AirPods!
双11马上就要到了,泰克旗舰店不但为大家准备了超高性价比的199元无源电压探头和2499元的数字存储示波器,还为大家准备了转发海报赢Apple AirPods耳机活动。 1、扫描下方二维码,关注泰克公众号,生成专属海报,转发海报,成功邀请10人以上关注公众号的网友中抽取一位 2、活动期间成功邀请关注公众号人数最多的客户一位 ...
eric_wang
综合技术交流
type c USB接口厂家问题
现在市场上生产TYPE C USB接口的大厂家、质量靠谱的厂家有哪些呢?有熟悉这一产品的大神吗? ...
olive888
综合技术交流
常见电子元器件等效电路汇总
电子元器件的等效电路对电路分析非常有用,可以帮助理解该元器件在电路中的工作原理,可以深入了解该元器件的相关特性。 贴片电容器等效电路 下图所示是贴片电容器的等效电路。 从等效电路可以看出,电容器除电容外还有寄生电感L和寄生电阻R,尽管L值和R值都很小,但是在工作...
btty038
综合技术交流
用户评论
暂时无评论
推荐视频
更多
2020_Digikey KOL系列:图形算法在深度学习等应用中的加速手段
网友总结:2019年树莓派应用top 10
150公斤机器人“挨揍”——鲁棒横向平衡
11秒拆解一部iPhone,Liam机器人成苹果发布会最大惊喜
ARM9嵌入式视频教程(天祥电子)
跟随格兰特 • 今原,探秘机器人与人类如何共处
拉扎维模拟集成电路教程(英语字幕)
研讨会:高性能 i.MX RT 处理器助力智能节点无需联网实现机器学习
ZING SoM——业界最小Zynq系统模块
移植STM32固件库中的例程到STM3210E-LK学习板
相关下载
更多
芯达STM32入门系列教程合集共十五章
51单片机竞赛设计实例程序44例
Assembly Language for x86 Processors
LabVIEW for Everyone: Graphical Programming Made Easy and Fun (Third Edition)
C语言开发入门及项目实战(C语言学习路线图)
Allegro中文学习教程.pdf
LoRaWAN network protocol
小车机器人避障相关算法.rar
神经网络与机器学习
工程师STM32单片机学习基础手记(2):从勉强看懂一行程序到IO口研究
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