|
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
/
Deciding What to Do Next Revisited
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50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
Atmel Edge 调试 103
CES 2015: LifeQ开发人体传感器
SYS BIOS简介(5)——任务
数字电子技术基础
汽车eCall电源解决方案
WEBENCH系统电源架构概述
直播回放: Maxim IO-Link 通信协议设计方案详解
[高精度实验室] 多路复用器
Arduino红外传感报警器
机器人学
推荐帖子
关于HTML5和CSS替换使用
听到HTML5的都知道它的强大,如更多的描述性标记、较少依赖于插件的多媒体支持、跨文档消息通信、Web Sockets、客户端存储、更强大的表单、提升可访问性、先进的选择器、强大的视觉效果。费话不多说,细细说来 被废弃的标签和属性 废弃的标签 因可用CSS替换而废弃的 basefont big center font strike tt u s 因破坏可使用性和可访问性而废...
luomo1991
综合技术交流
读取精度:±(0.02% of reading +5mV)
看到电源仪器上的读取精度写到 :±(0.02% of reading +5mV) ,这种怎么算的? reading是读取值吗? ...
Holms
综合技术交流
[转]实现手势识别:摄像头VS超声波麦克风?
手势识别技术的走红离不开一批成功的体感游戏设备,各大半导体厂商推出不同原理的手势识别方案,其中应用最为广泛的是多在游戏设备中利用摄像头实现计算机视觉,但其他方案例如红外识别、电场识别、以及超声波识别也在不断推出新的产品与技术。 之前或许您已经听说过利用超声波麦克风进行手势识别,但很多工程师可能还会认为这是停留在实验室的项目,事实上,利用超声波进行手势识别的方案已经相当成熟,而且有其独特的优势。 ...
azhiking
综合技术交流
VS-RK3288调试笔记 --- 如何区分两颗相同的USB UVC Camera
VS-RK3288调试笔记 --- 如何区分两颗相同的USB UVC Camera 问题: 当系统接上两颗相同的UVC Camera后, 由于分辨率, PID/VID都一样, 再加上系统初始化的先后不确定,这样HAL层就无法得知前后置摄像头的 对应顺序了. 分析: 由于Camera接的是不同的USB bus, 比如A Camera接USB1, B接USB2. 那么在驱动中的UVC初始...
videostrong
综合技术交流
用户评论
暂时无评论
推荐视频
更多
嵌入式系统及应用
随机信号分析
零基础学习c语言
专题:maychang老师趣味电子技术史话视频讲座
Atmel微控制器业务副总裁讲述物联网技术部署
Atmel SAM D设计入门 - 如何配置UART
TPS65086100: 多轨电源管理 IC 的用户编程
攀墙机器人VertiGo
Atmel|SMART 基于Cortex核的MPU(二)
计算机科学速成课
相关下载
更多
官方AD封装库:Lattice
自己制作的封装库:DO-214AA
UVM SystemVerilog学习白皮书绿皮书红皮书
基于AVR—AT90S8515的多通道智能大厦自动抄表系统
数字滤波器的MATLAB与FPGA实现 第2版 [杜勇 编著] 2014年版
实例解读51单片机完全学习与应用.pdf
matlab 编写的gps/sins组合导航程序,附程序说明与数据输入文件
uc3846 datesheet
FDTD 方法计算光子晶体带隙的matlab源程序
Building Secure ASP.NET Applications.pdf
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