|
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
/
Regularization and Bias-Variance
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20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
LCR串联谐振电路
运算放大器噪声计算
升压和升降压 DCDC 变换器助力无线充电设计
研讨会 : Littelfuse 如何提高物联网时代智能楼宇电子设备的安全与可靠性
泰克TBS2000B评测视频
电源设计小贴士15:低成本、高性能 LED 驱动器
BlueCoin MIC 测试
MPLAB®代码配置器简介及实验1
低频和直流操作的栅极驱动注意事项
PCB设计视频-1天学会PADS PCB设计
推荐帖子
【提问】台达触摸屏与台达PLC之间的远距离无线数据交换,怎么实现吗?
(急需大家推荐一个方案解决触摸屏与PLC之间的远距离无线数据传输)我工厂有一个台达触摸屏在控制室,需要操作500米外车间的台达PLC。 现场拉线很困难,工程量比较大,主要会耽误我们正常的工厂作业。现在想用无线的方式传输。问一问有人了解工业的无线传输方面吗? 我厂子这种情况能不能实现无线通讯?还有这种无线传输稳定性怎么样?有没有懂行的帮忙解答一下,最好给个方案。急!谢谢。 ...
dataie123456
综合技术交流
EEWORLD大学堂----直播回放 : Azure Sphere 助力稳定,安全和灵活的物联网解决方案
直播回放 : Azure Sphere 助力稳定,安全和灵活的物联网解决方案:http://training.eeworld.com.cn/course/5670...
hi5
综合技术交流
晒奖品了,泰克版蓝牙耳机
快递电话,有东西到了,一想估计是活动奖品到了,拿到一看果然是蓝牙耳机。奖品是爱国者蓝牙耳机A8定制版,有泰克标志的哦,手机发帖就一张图好了...
shihuntaotie
综合技术交流
AD采样时好时坏??
用M4内部自带ADC做AD采样,输入的是3K多HZ的正弦信号,采样频率为15KHz,在其他参数都未改动的情况下,AD转换后的数据时而正常,可以采到正确的正弦信号,时而错误,如下图所示,为某时刻采样到的数据绘制的错误的波形,请教大家一下这种情况是怎么回事呢? ...
singletravel
综合技术交流
用户评论
暂时无评论
推荐视频
更多
2015 TI 音频创新日 (9) 高功率放大器和 Akita 介绍
Atmel AVR设计入门 - 如何配置GPIO
波士顿动力新一代双足机器人Atlas
linux驱动教程(讯为itop4412)
赛普拉斯 PSoC Creator教程
CES 2015焦点: maXTouch Studio演示
Labview程序设计基础与提高
利用Atmel Studio 6调试ARM Cortex-M 应用
物联网概论
Atmel - 防止系统克隆伪造
相关下载
更多
数字通信同步技术的MATLAB与FPGA实现(Altera/Verilog版)
白话大数据与机器学习
《机器学习》--周志华完整版pdf
MSP430 Application UART 驱动软件
Allegro中文学习教程.pdf
张柏兴机器人与智能制造
IEEE JOURNAL OF SOLID-STATE CIRCUITS
Design With Operational Amplifiers And Analog Integrated Circuits 4th Ed
FDTD 方法计算光子晶体带隙的matlab源程序
使用 MATLAB 进行 5G 开发
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