|
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
/
Model Representation II
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:11分46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
直播回放 : Microchip 安全系列 6 - 信任您的固件:安全引导应用处理器
东芝在线展会
多相降压稳压器设计:案例研究
物联网工程导论 北京科技大学 王志良
我是如何使用数字雕刻软件Zbrush制作3D打印模型的
村田顽童的堂妹“村田少女”问世 2
无人机-飞思卡尔Kinetis KV4x MCU四旋翼电调方案
仪器基础系列教程之信号发生器
RL78/G13 MCU 开发套件演示视频
解析Atmel 8位AVR的关键优势
推荐帖子
STC烧写软件是流氓软件
每次用这软件烧写。。只能烧写2到3次。。然后就烧不进去。。必须拔了USB再插过USB。。才能烧进去。。 感觉这就是流氓软件。。很火大了。。。求介绍好的烧写软件撒。。。。...
liao779015
综合技术交流
方向检测可以用多圈电位器吗?
可以旋转多圈的电位器,可否用于方向盘的旋转检测,这里我考虑的是方向旋转的快慢对电位器的一个磨损情况以及机械安装不可能同心的原理考虑,如果用电位器做,能用多久,且稳定性如何? ...
WF20142826
综合技术交流
电脑利用USB声卡实现数据采集可行吗?
以前分析数据都是通过串口把数据发送到PC 还要开发上位机软件解码和显示 功能虽然不难实现 可显示和分析效果总是不理想 假如用一款带USB的单片机开发一个USB声卡 单片机能把电脑音频通过DAC输出 也能把ADC数据输入到电脑 还可以通过数字接口把电脑音频输出到外部DAC 把外部ADC的数据输入到电脑 再利用电脑上的现成音频软件 比如Audition读取和分析 例如分析加速度传...
littleshrimp
综合技术交流
python爬虫常见的数据存储
在互联网时代中,网络爬虫的也成一个重要的行业。在使用爬虫也许多语言提供选择。也python JAVA 语言成了大众爬虫的一致选择。当然在爬虫研发中,数据解析 数据存储也成了重要的一部分。而存储也有很多种方式,例如文件存储、数据库存储、搜索引擎存储、云存储 1、文件存储 可以利用JSON 、CSV等一些常见的库、存储成文件格式。 JSON存储是一种数据替换的模式。利用语言的...
laical1
综合技术交流
用户评论
暂时无评论
推荐视频
更多
机器学习
波士顿动力(Boston Dynamics)机器人集锦
Linux内核分析与应用 西安邮电大学(陈莉君)
How High-Voltage Isolation Technology Works
电机和电机控制的简介:有刷直流电机
Atmel SmartConnect 平台 - 全新物联网 Wi-Fi 解决方案(三)
零基础教你学习电子焊接
被斩首肢解的搭车机器人HitchBOT“生前”的顺风车之旅
应用 V.I 晶片驱动LED II - 大功率 LED 阵列
微处理器与嵌入式系统设计 电子科技大学
相关下载
更多
Considerations for the Development of Crucial Parameters for Power MOSFETs in Notebooks
Handbook of Industrial Robotics [Second Edition]
AXI4s to Video IPCore Datasheet
白话大数据与机器学习
MATLAB2015 HDL coder 使用教程
AVR单片机Atmega128在FPGA配置中的运用
IEEE standard Verilog HDL1364-2001.pdfVerilog 学习必备资料
PCI_Express_M.2_Specification_Rev1.1
IEEE JOURNAL OF SOLID-STATE CIRCUITS
ATJ3315D PCB 录音笔电路
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