|
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
/
Autonomous Driving
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30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
2018 PSDS 研讨会系列 - (5) 直流直流转换器常见错误及解决方案
研讨会:开拓IoT社会 尼吉康的新蓄电装置
【虚拟仪器大赛】探测小车
EEWORLD DIY——低功耗蓝牙、USB双模机械键盘功能演示
SimpleLink™MCU平台SDK代码可移植性
CES 2015焦点: maXTouch T Series手势解锁功能演示
Atmel MaxTouch T系列触摸控制器的悬停功能
通信原理(北京邮电大学,更新中)
TI-RSLK 模块 10 - 调试实时系统
工业及汽车系统的低EMI电源变换器设计
推荐帖子
爱普生Perfection1660扫描仪谁会用
爱普生Perfection1660扫描仪谁会用,今天老师交给我一个爱普生Perfection1660扫描仪,让我帮他扫描3本书(够狠的了),网上查了一些资料也没弄明白,用过的指导一下我,驱动也安装不上,丫丫的,气死我了...
鑫海宝贝
综合技术交流
EEWORLD大学堂----可以打字的机器人
可以打字的机器人:http://training.eeworld.com.cn/course/5449 机器人也能打字了?现在还有什么不可能 ...
13436496207@163
综合技术交流
求助电磁干扰问题
大家好,本人利用应变片测力仪测力,电桥输出经放大电路后由数据采集卡采集数据,但交流伺服电机一启动,输出信号就变化非常大,怎么办啊?...
dzgc126
综合技术交流
EEWORLD论坛2014年第13周(3.24——3.30)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此版最给力、最新鲜内容:晒设计方案+STM32F429i开发板之MEMS三轴陀螺仪初体验发帖网友:一个小白 关于IAR单步调试问题发帖网友:ludian320 把BBB改造成红白机/掌机/游戏机/玩超级玛丽发帖网友:wytalfred 如何修改BBB LCD7 的device tree 文件发帖网友:6519276...
eric_wang
综合技术交流
用户评论
暂时无评论
推荐视频
更多
谷歌机器狗Spot提前祝大学堂同学们圣诞快乐~
开始学习twisterSIM电热模拟器
自动控制原理 谢红卫 国防科大
mmWave系列培训
51单片机系列视频
示波器的使用方法教学
电工技术
TI DLP®技术于3D 机器视觉与自动化光学检测之应用
物联感知技术应用
通信电子线路
相关下载
更多
机器人学_国立交通大学_杨谷洋
深度学习资料包
uCOS-II在STM32上移植学习
电路(第五版)学习指导与习题分析
机器人控制24本
STM32Cube学习笔记 (十六篇全)
数据结构算法演示系统DSDEMO(类C描述语言 3.1中文版) 帮助学习数据结构
最大似然(ML)准则和最大后验概率(MAP)准则Matlab仿真
stm32,机器人控制代码,直流减速电机,舵机,超声波模块,串口通信-stm32.gz
第06章 机器人控制 82页 3.0M.ppt
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