|
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
/
Optimization Objective
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:14分47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
micochipDIRECT新手入门教程
高准确度温度监视器产品在仪器仪表方面的应用
研讨会:100G/400G 光通信测试解决方案
电机和电机控制的简介:有刷直流电机
直播回放: 借助Maxim的模拟技术优化设计
12个步骤建立激光安全系统
PSoC创意项目展示:PSoC芯片在变形机翼分布式超声电机驱动中的应用
《对话通信原理视频》
回放 : TI mmWave 毫米波雷达在汽车车内的应用
基于灵动MM32F系列大容量MCU的输液泵应用参考方案分享
推荐帖子
关于LDO工作温升表达式,发热功率和效率的计算。
关于LDO工作温升表达式,发热功率和效率的计算。用的LP3986 SOT-89封装的LDO,假设环境温度25℃,输入=锂电池电压=3.5-4.2V,输出3.0V,长期负载电流10mA。想知道其工作温升的表达式,还有其发热功率和效率的计算? https://wenku.baidu.com/view/23b6e238b90d6c85ec3ac6b4.html ...
QWE4562009
综合技术交流
三星SCX-3206W打印机试用感受,与大家分享一下
今天终于体验到了传送中的无线打印是什么感觉了,哈哈。来与大家分享一下。本人由于工作原因,基本上每天都一直在和打印机打交道,所以一直对最新的打印机比较关注,上次去中关村的时候,听朋友说,最近要出一款新的一体机,集打印扫描于一体,而且还有一些神秘的功能,总之功能那是相当的强大哇!今天早上,接到朋友电话,说是该款打印机上市了,正好他们店里面有一台样机,问我要不要过去试试,这个必须试啊,正好今天有时间,那...
不要在问情了
综合技术交流
可正反插入的A型USB插座
目前计算机都带有USB插座(A型,或者称为“方形”),但是相应的USB设备插入的方向必须正确才能够插入进去,否则如果反了就插不进去,必须先拿回来后再将方向转180度反过来插入才可以,也就是说目前计算机的USB插座都不具有正反都可以插入的功能。要解决的技术问题是:提供一种新的A型USB插座,兼容以前的A型USB插座,同时还可以使得USB设备正反两个方向都可以插入。解决上述技术问题所采用的技术方案为:...
1431897797
综合技术交流
07.11【每周讨论】作为工程师,大家是通过什么方式来锻炼身体的?
作为一个工程师,你是否有时候忽略了自己的身体,每天都加班到深夜,等到有了周末的时候,大家就好好的睡个懒觉。基本上没有时间来锻炼身体,大家都是通过什么方式来锻炼身体的??...
fxw451
综合技术交流
用户评论
暂时无评论
推荐视频
更多
Atmel Qtouch安全平台
CC430F6137学习板资源介绍
星球大战的超萌机器人出世啦:BB-8!
OpenCL统一的异构编程
电机和电机控制的简介:无刷直流电机
Atmel|SMART 基于Cortex M0+核的MCU(全中文版)
Deep Learning Theory(台大李宏毅,中文)
电子信息科学与技术导引
正点原子手把手教你学STM32-M7
机械工程男用重力原理玩转“神器”
相关下载
更多
Understanding LTE with MATLAB: From Mathematical modeling to simulation and...
《先进PID控制 MATLAB仿真 (第2版)》
mp4-SIO:IEC14496-12
AT89C51控制的AD5664电路(输出四路40mV电压)
500WLLC,MATHCAD计算书
一些机器人方面的资料 18册 187M E文版
AT45DB161D的测试程序.rar
信号的频谱分析及MATLAB实现
基于matlab的反演程序,用于地球物理勘探中射线追踪及偏移成像程序.
SN_STATION_V1.8
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