|
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
/
Putting It Together
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:13分23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
Engineer It:如何克服在发动机缸体中的温度差异
直播回放:Microchip 如何在云服务连接中保护您的 IP
Atmel于2014 CES展会直击之二
STM32电机控制(硬石科技)
EMI 优化的变压器集成的隔离 DC/DC 电源芯片在工业产品中的应用
德州仪器 DLP<sup>®</sup> 3D机器视觉技术研讨会
基于SimpleLink的超低功耗无线MCU平台CC1310DK
电源设计小贴士21:请注意电容RMS纹波额定电流
Digi-Key 与 DFRobot 的 maker 作品: 重力感应游戏机 DIY
手把手教无传感器的InstaSPIN-FOC电机控制技术1 (A)
推荐帖子
通过Iperf来测试终端的网络带宽
本帖最后由 37°男人 于 2015-3-24 13:01 编辑 1、简介 Iperf 是一个 TCP/IP 和 UDP/IP 的性能测量工具,能够提供网络吞吐率信息,以及震动、丢包率、最大段和最大传输单元大小等统计信息;从而能够帮助我们测试网络性能,定位网络瓶颈。 2、网站(下载) http://fasterdata.es.net/p...
37°男人
综合技术交流
晶振在各类音响中的应用
在日益浮躁的社会,很多人都喜欢在音乐的世界放松自己,而拥有一款好的播放设备,想必是众多音乐爱好者梦寐以求的事情。 大家都知道音乐是有许多神奇的功能的,比如:分散注意力,让身体放轻松,好的音乐可以纾解压力,避免因自律神经紧张失调而导致慢性疾病的产生。可以消除疲劳、可以陶冶人的情操,提高身心健康。而拥有一台好的音响,那想必音乐的这些神奇功能一定也是事半功倍的。 说到音响,那就不得不提到晶振...
zkj2014
综合技术交流
十六进制字符串转字符串
本帖最后由 littleshrimp 于 2015-9-30 09:58 编辑 十六进制字符串转字符串 最近在做蓝牙开发,使用Packet Sniffer抓下的数据包里有一些数据我约么可能包含字符,例如AdvData里的42 45 20……,又不想手动转换,所以写了一个小工具,几行代码,可以将十六进制字符转为对应的字符串。Packet Sniffer抓包截图AdvData里的数据| 01 |...
littleshrimp
综合技术交流
EEWORLD大学堂----直播资源汇总:TI C2000 在实时控制系统中的新特性
直播资源汇总:TI C2000 在实时控制系统中的新特性:http://training.eeworld.com.cn/course/4261...
phantom7
综合技术交流
用户评论
暂时无评论
推荐视频
更多
计算机视觉课程 清华大学 王明哲
电机和电机控制的简介:AC 感应电机
智能控制系统
【虚拟仪器大赛】医疗服务机器人
TI-RSLK 模块 7 - 有限状态机
【虚拟仪器大赛】探测小车
TI-RSLK 模块 6 - GPIO
Analysis and Design of a Flyback(反激电源设计与分析)
TI 杯2019年全国大学生电子设计竞赛赛题解析与技术交流研讨会
电工技术
相关下载
更多
正激式开关电源学习资料
机器学习实战 pdf (中文完整版)
机器人设计与控制 369页 75.4M
IEC101规约学习笔记
深度学习资料包
机器人学_国立交通大学_杨谷洋
Xilinx公司关于testbench的学习资料
自律型机器人制作入门 基于Arduino 216页 27.0M 高清版
智能机器人传感技术
PIC程序学习汇编例程。拿出来供大家分享
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