|
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
/
Multiclass Classification
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:3分51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
【中英字幕】什么是引力波
CoreSight SoC-400工具介绍
飞思卡尔智能车模型(IoTT大篷车)
Jacinto 6 QNX 全景摄像汽车解决方案
【虚拟仪器大赛】全体感操纵机器人
TI-RSLK 模块 14 - 实时系统
LabVIEW 事件结构之谜
深入研究可穿戴设备和物联网的轻负载高效低噪声电源参考设计 (TIDA-01566)
配合CCS调试CC3100_BP_MSP430F5529
模式识别 国防科技大学 蔡宣平
推荐帖子
集成电路SAF1091与SAF1091-173有何区别
我在维修电子里程表发现集成电路SAF1091-173坏了,现在市场上都是SAF1091没有带后缀-173的,二种电路有何区别,请高手于以指教,谢谢。...
jk209350
综合技术交流
如果要使三级管工作在放大区,是怎样的思路,需要计算静态工作点ib ic VCE 三个...
如果要使三级管工作在放大区,是怎样的思路,需要计算静态工作点ib ic VCE 三个参数?然后呢?如果RB RC都不知道,怎么计算?最终的是要计算出RB RC这 两个参数? ...
QWE4562009
综合技术交流
多个传感器与单片机通讯且单片机控制多个电路
本人想做一个智能照明系统,具体想法如下:用两个人体红外传感器做一个监控点,当第一个传感器检测到人通过时,向单片机发送其编号(如:1),当第二个传感器检测到人通过时向单片机发送其编号(如:2),单片机接收到两个数据后首先判断这两个编号是否是相邻的,然后将两个编号相减,大于0时,打开该监控点前一段的LED灯,关闭后一段的LED灯;小于0时打开该监控点后一...
BN521990
综合技术交流
压力传感器、温度传感器4-20mA输出电路通常如何实现?
本帖最后由 zjqmyron 于 2019-12-2 09:33 编辑 压力传感器、温度传感器4-20mA输出电路通常如何实现? 这个GP8102方案的竞争力如何?供大家参考 ...
zjqmyron
综合技术交流
用户评论
暂时无评论
推荐视频
更多
CES 2015焦点: maXTouch T Series手势解锁功能演示
MATLAB及机电系统仿真
2015 TI 音频创新日 (8) 采用 PPC3 的智能放大器解决方案与简易实施方案
AVR单片机入门——零基础学AVR单片机与C语言技术
LabVIEW 技巧
2015 TI 音频创新日 (12) 低功率放大器介绍
Atmel Studio 6 - QTouch Composer介绍
计算机控制技术 国防科技大学 韦庆
随机信号处理 国防科大
射频电路基础
相关下载
更多
基于AD4111的PLC-DCS系统模拟输入解决方案(即ATS) +ADI无线状态监控解决方案(即CBM)
基于matlab的反演程序,用于地球物理勘探中射线追踪及偏移成像程序.
射线追踪 MATLAB
MATLAB经典教程:matlab数学建模算法全收录+799页+4.7M+超清书签版
Foundations of Oscillator Circuit Design
电子学习资料[适合初学者]
Semiconductor lasers Fundamentals and applications
C语言开发入门及项目实战(C语言学习路线图)
基于Atmega128电动工具锂电池监控系统的设计
芯达STM32入门系列教程合集共十五章
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