|
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:6分43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 12 - PolarFire® SoC FPGA 安全引导
i.MX6UL MPU开发板一览
嵌入式Linux图形界面开发
嵌入式linux开发入门视频
基础教程:差分放大器以及相关设计软件的基础知识
高压隔离技术的工作原理
【虚拟仪器大赛】探测小车
交流和直流之争
工业 mmWave 传感器演示系列视频
CES 2015: Atmel Avant Car 2.0演示
推荐帖子
EEWORLD论坛2014年第17周(4.21——4.27)精华帖汇总
以下排名不分先后,仅是对论坛上周精彩帖子的一个小回顾,目的为方便更多网友及时了解论坛中最给力、最新鲜内容: MSP430RF5739定时器捕获源问题发帖网友:guanlt 300V直流稳压电路原理图发帖网友:海蓝 如何更改短地址?发帖网友:ma_yunfei 液晶12864如何实现逐行显示?发帖网友:hailei41 有会用MG996R舵机的吗?发帖网友:hahadiy ...
eric_wang
综合技术交流
【NXP USB Type C评测 】电源分析
本帖最后由 dcexpert 于 2016-4-23 17:33 编辑 NXP Type C评估板的电源部分原理图如图所示: USB接口电源: 因为type c支持多种电压,所以它的电源部分比USB2.0时要复杂多了。 NXP USB Type C评估板上主要的电源有:VBUS,计算机USB总线上电压VBUS_CHARGE,type c传递的充电电压BOARD_5V/VBUS_5...
dcexpert
综合技术交流
直流有刷电机的启动问题
直流有刷电机,12V10A的,用单片机控制mos管启动,但是经常出现电机不能启动的情况,不知道问题出在哪里,电源是12V29A的,在电机串一个电感线圈,防止启动电流冲击过大,但是还是不能避免电机不能启动情况,有知道童鞋还请告知,不胜感激!...
drtsing
综合技术交流
免费申请Molex光学电磁屏蔽适配器,需要的朋友抓紧哦~
福利哦~Molex光学电磁屏蔽适配器,专门解决光纤路由器的灵活性和空间限制的问题,器件由TTI 提供,品质有保障啊。实为网络通信中人必备之良品 免费申请样片请点击此处 ...
phantom7
综合技术交流
用户评论
暂时无评论
推荐视频
更多
玩转 Arduino ——周边模块—传感器部件(2)
智能控制导论
STM32 F7英雄联盟设计大赛
基于 TI Sitara™AM5708 的工业派
LabVIEW 网络讲堂 第三季
机器学习技法
工业4.0导论
模拟电子技术基础
瑞萨电子R8C、Lx学习型遥控器参考设计
电源设计小贴士27:压降式并行电源供应
相关下载
更多
机器人视觉 - 策略算法和移动规划
opencv3机器视觉Python语言实现_刘波
Python数据分析基础教程:NumPy学习指南(第2版)
英伟达TX2官方原理图及PCB资料
机器学习实战 pdf (中文完整版)
180篇发烧功放制作学习资料-28.3M-pdf.zip
大学生嵌入式学习实践-基于MSP430系列
机器人设计与控制 369页 75.4M
PIC学习资料
新版机器人技术手册 [日本机器人学会编, 2007]
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