|
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
/
Error Analysis
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11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
LTM4620效率
信号与系统分析 清华大学 卓晴
仪器基础系列教程之信号发生器
RISC-V处理器设计系列
一节课了解CPU是如何工作的
如何搭建一款简单而高效的 2W 以下隔离型电源
唐老师讲电赛真题讲解
比尔·盖茨在微软的最后一天——盖茨携好莱坞巨星出演搞笑片
Imagination公司的PowerVR SDK工具系列教程
[高精度实验室] ADC系列 7 : SAR ADC 功耗分析与计算
推荐帖子
解决第一次顺利下载程序,第二次又不行了的问题
我的板子很简单,我从stlink的3.3V上接出来一根线,接到BOOT0引脚上,再把stlink插入电脑,就可以顺利下载了。要根本解决问题,看图,通过菜单中的find in files找到一个函数,注释掉,把这个程序下载进去,下次就不需要接BOOT0啦~\(≧▽≦)/~啦啦啦 ...
圣诞老爹
综合技术交流
RFID手持机帮助烟草公司实现烟叶精准化收购
将RFID技术应用到卷烟仓储配送及烟叶收购存储过程,可实现卷烟、烟叶物流的可视化管理和质量追溯。烟草收购站借助RFID手持机进行烟叶精准化收购,优化了专业散收流程、减少了烟农的劳动力,这样一来,不仅提高了烟叶等级纯度和质量,还节约了人力成本,让烟农卖烟更轻松,烟农卖烟叶的具体收购流程如下。 排号,烟农按照预约时间到烟叶站点交烟时,通过精准化电子收购系统,由工作人员将烟农IC卡放在...
云肖肖
综合技术交流
TI信号链专栏上线啦!
嗨,2016年来了,新目标、新生活、新气象……接踵而至 你知道吗?2016年的第一天TI信号链在EEworld上专栏了! 在这里,你与TI信号链的距离只差_______。你懂得! 扒一扒,看一看,也许有你想要的。 TI信号链专栏详情 >>http://www.eeworld.com.cn/TI-signalchain/ ...
EEWORLD社区
综合技术交流
EEWORLD大学堂----直播回放: Rochester 罗彻斯特电子为您细说 - 半导体停产后的挑战与解决方案
直播回放: Rochester 罗彻斯特电子为您细说 - 半导体停产后的挑战与解决方案:http://training.eeworld.com.cn/course/5772...
hi5
综合技术交流
用户评论
暂时无评论
推荐视频
更多
跟随格兰特 • 今原一起到日本,探秘长崎机器人酒店
FPGA设计思想与验证方法视频教程(小梅哥主讲)
TI-RSLK 模块 13 - 计时器
TED精选合辑(机器人、3D打印、电路、飞行器等相关)
ARM微控制器与嵌入式系统
计算机科学速成课
机器学习深入研究
python3视频教程
TI-RSLK 模块 16 - 转速计
当机器狗遇到真狗......
相关下载
更多
大学的每个专业都要编制教学计划。假设任何专业都有固定的学习年限
2020电赛G题-非接触物体尺寸形态测量(辽宁石油化工大学)
python学习文档
林锋教你一步一步玩机器人(arduino)-基础篇
并联机器人机构学理论及控制
电子学习数字电路教案
ABB机器人系统参数说明书(中文版)
先进机器人控制
电路原理学习指导与习题集(第2版)
电源电路和显示电路分析学习伴随测试 [胡斌,邢鸣,胡松 编] 2014年版
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