|
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
/
Cost Function
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10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
降压转换器和控制器疑难解答
LS8 封装改善了电压基准的稳定性
DC / DC 开关稳压器封装创新
PIC32蓝牙音频解决方案
Arduino红外传感报警器
你知道最好的触摸屏控制器吗---独领风骚的Gen5
如何自动对电机进行调优
数字示波器的操作数字示波器的操作_台师大_张国维老师
传感器与测试技术
玫瑰金iPhone 6s暴力拆解
推荐帖子
EEWORLD大学堂----SensotTile智能怀表演示
SensotTile智能怀表演示:http://training.eeworld.com.cn/course/4053...
dcexpert
综合技术交流
【虾扯蛋】想DIY一个地下金属探测器,开启探宝生活,有愿意一起的没?
本帖最后由 littleshrimp 于 2015-12-10 16:15 编辑 前段时间想弄一个高端点的金属探测器,没事儿出去探探宝。在网上查了一下,好一点的、探测深度大一点的都要1万元以上。 也不知道使用了什么高端技术,怎么就这么贵? 这段时间查找了很多资料,也问不少人,感觉有点思路了,现在准备试一下。 一个人做怕劲头不足,想问问这里有愿意一起做的没? ...
littleshrimp
综合技术交流
波形的测量
在电气测量中,对波形的测量与分析主要是研究非标准正弦波的失真度、谐波含量、波形偏离系数和瞬态情况下的尖峰电压等;对各种控制信号波形(如脉冲、方波、三角波)的观察与分析也是重要的内容。 对波形参数测量的目的在于: (1)供电电源的波形是否满足技术条件(即符合用电设备的要求); (2)电气控制信号...
一世轮回
综合技术交流
晒晒你曾经用QT实现的最炫界面 赢STM32F429
大家都用过QT这款软件吗?前几天看了@辛昕 发的帖子(Qt 安装和配置),很有感触。通过了解知道它可以在PC上实现室内温湿度显示,模拟出汽车仪表板,可以变成播放器等等。不仅在PC上,QT还可以跨平台在任意中高档嵌入式系统,各类显示屏上,它包含 tcp/ip网络协议,oracle、sqlite等数据库接口,甚至手机都可以...
eric_wang
综合技术交流
用户评论
暂时无评论
推荐视频
更多
Altera2012亚洲创新设计大赛CN099视频介绍-01
正点原子开拓者FPGA视频教程
TI DLP®技术于3D 机器视觉与自动化光学检测之应用
信息时代——小小芯片带来的改变
机器学习技法
射频电路基础
英飞凌XC800系统架构介绍——第二部分
创客机器人PK舞台
《对话通信原理视频》
计算机控制系统 东北大学 关守平
相关下载
更多
先进机器人控制
Arduino机器人权威指南
第09章 机器人的离线编程 20页 2.9M.ppt
张柏兴机器人与智能制造
白话大数据与机器学习
郭天祥十天学习单片机(完整版)
Tensorflow 实战Google深度学习框架(完整版pdf)[aibbt.com]
四轴飞行器DIY 基于STM32微控制器__吴勇编_北京:北京航空航天大学出版社_P265_2016.02
uCOS-II在STM32上移植学习
制作你自己的爬虫机器人
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