|
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
/
Non-linear Hypotheses
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35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
如何快速使用Altium Designer绘制原理图|PCB项目实战
TI 毫米波雷达在工业上的应用
2015 TI 音频创新日 (6) TI 门户网站,音频产品选择工具
野火LwIP应用开发实战指南
LabVIEW教程专辑
传感器原理及应用(同济大学)
TI PLC开发套件介绍
计算机体系结构_国防科大_王志英
研讨会:SOI 电平转换驱动 IC 在 LLC 拓扑中的用途
TMS320DM365 数字媒体处理器示例
推荐帖子
SiTime样品中心为中国工程师恭送晶振,喜迎新年
1-220MHz任意频率SiTime硅晶振免费样品申请,多种尺寸7050、5032、3225、2520、2016和电压。 新年新选择,改变从新开始。前十名申请者另外还可以领取2.015MHz、20.15MHz、201.5MHz其中一种晶振作为纪念。 SiTime晶振申请网址:http://sitime.join-tech.com...
sitime样品中心
综合技术交流
【小白求助】keil5 已经添加了.h文件的路径 但.h文件不起作用?
在网上搜了搜但是好像没有类似的问题(大概是太小白了 file:///C:/Users/毕竟爱萝莉/Documents/Tencent%20Files/553282480/Image/C2C/4$UW%7D%256%60L4J(69FNCZX~MJ9.png就是我在编写beep。h文件时,一般情况下 #ifndef __XX_H的左边会有一个加号来展开的嘛 但是我这个没有。。而且只有这个文件有问...
一颗掌上明猪
综合技术交流
手机锂电池测试难题怎么解决?分析未来手机电池的发展方向
智能手机往超轻薄、高性能发展后,对于手机的续航能力要求也越来越高。手机锂电池也在往大容量的方向升级,各手机厂商更是在大容量的基础上,不断地在提升手机的快充技术,让用户在享受长续航的同时,能够快速的给手机充电,免去了电池耗电快、充电时间长的烦恼。 手机锂电池在完成生产后,需要对其性能进行测试,确保电池性能的完整,以免使用中出现电池不耐用、短路、爆炸等危险。手机锂电池的测试项目涵盖了基本性能测试...
kzt-wdz凯智通
综合技术交流
Johnson+&+Graham《高速数字设计》中关于1ns上升沿信号传输的疑问
请教大家 这本书 第一章中对于1ns上升沿信号的系列瞬时波形。下图中的瞬时波形,比如第 2 ns 的我觉得不是在1ns达到最高电平年后接着1ns上升沿传输了5.6in吗? 但是书中的图看起来不是的。请教大家 ,先谢谢了。书的第六页。SI初学者,恳请大家帮忙,不知道发在这个版块是否合适,另外我是否说清楚了我的问题? ...
sunhong
综合技术交流
用户评论
暂时无评论
推荐视频
更多
野火FreeRTOS内核实现与应用开发实战指南
机器学习深入研究
[高精度实验室] 运算放大器 : 10 稳定性
11秒拆解一部iPhone,Liam机器人成苹果发布会最大惊喜
组网技术
电池测试设备直流电源系统设计
天线原理 哈工大 林澍
Top 10 Arduino Projects 2020
正点原子手把手教你学STM32-M4
开源力量 linux内核源码研读与实战演练
相关下载
更多
Xilinx fpga 设计培训中文教程,比较好的学习FPGA入门的教程
深度学习21天学习
Handbook of Industrial Robotics [Second Edition]
实例解读51单片机完全学习与应用.pdf
制作你自己的爬虫机器人
百面机器学习:算法工程师带你去
STM32Cube学习笔记 (十六篇全)
perf_v学习资料.pdf
MATLAB人工势场法算法源代码 可以用于移动机器人路径规划上面
机器学习(周志华)
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