|
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
/
Large Margin Intuition
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:10分36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
通过FPD-Link实现J6与车载显示器之间稳健接口的设计考虑
Atmel SmartConnect 平台 - 全新物联网 Wi-Fi 解决方案(三)
保证电池供电设备安全
信号与系统分析 清华大学 卓晴
150公斤机器人“挨揍”——鲁棒横向平衡
verilog HDL数字集成电路设计原理与应用
野蛮人改造 — 卡丁制作
针对汽车电子设计的WEBENCH工具
电子纹身,还能随时切换图案~
LABVIEW 2010 虚拟仪器从入门到精通
推荐帖子
【转帖】电容的分类、用途及图片识别
电容器,通常简称其容纳电荷的本领为电容,用字母C表示。定义1:电容器,顾名思义,是‘装电的容器’,是一种容纳电荷的器件。英文名称:capacitor。电容器是电子设备中大量使用的电子元件之一,广泛应用于电路中的隔直通交,耦合,旁路,滤波,调谐回路,能量转换,控制等方面。定义2:电容器,任何两个彼此绝缘且相隔很近的导体(包括导线)间都构成一个电容器。电容与电容器不同。电容为基本物理量,符号C,单位为...
Ameya360皇华
综合技术交流
又入了一块集成度最高的开发板,没有之一。
前几天买了一块CY8CKIT-059开发板一百多一点天猫官方旗舰店有售 因为这块板子太好用了,忍不住又买了一块 手里以前虽然有一些Cypress的PSoC开发板但都是PSoC4和PSoC6的,配置比较低 这个板子的主控是CY8C5888,配置算是最高的 板子很简单除了仿真器再无其它外设器件 为什么说这是一块集成度最高的开发板可以看看下边这个图 芯片模拟方面集成了20位的DeltaSig...
littleshrimp
综合技术交流
如果要使三级管工作在放大区,是怎样的思路,需要计算静态工作点ib ic VCE 三个...
如果要使三级管工作在放大区,是怎样的思路,需要计算静态工作点ib ic VCE 三个参数?然后呢?如果RB RC都不知道,怎么计算?最终的是要计算出RB RC这 两个参数? ...
QWE4562009
综合技术交流
EEWORLD论坛主题活动大征集
为了让广大坛友有所学、有所得、有所用,找到志同道合的圈内人,EEWORLD论坛现全面征集优秀活动点子。诚邀广大坛友参与,开拓思维,群策群力。 如果您有任何好的活动点子或想法,请跟帖提出。凡是参与活动征集并跟帖提出活动点子的网友,均可获得芯币奖励。点子...
eric_wang
综合技术交流
用户评论
暂时无评论
推荐视频
更多
AVR单片机入门——零基础学AVR单片机与C语言技术
数据结构与算法 北大 张铭
村田顽童的堂妹“村田少女”问世 2
Atmel Studio 6仿真器介绍
Digi-Key 与 DFRobot 的 maker 作品: 1个 FireBeetle 的主板和4个舵机如何做成机械臂
单片机初识
呆萌机器人集体跳广场舞,少女时代舞曲
数字信号处理 北航 王俊
“盗用”人类大脑的机器人-获得平衡技能
微波五讲
相关下载
更多
python英文原版经典专辑:Learning Python, 5th Edition
哈佛-电子学(第二版-吴利民译)2005年10月
个人学习ATMEGA8单片机应用及其仿真总结30例资料.rar
手机研发流程和质量管理,高满达(花钱买来的,在这里贡献给大家
四轴飞行器DIY 基于STM32微控制器__吴勇编_北京:北京航空航天大学出版社_P265_2016.02
Springer Handbook of Robotics
机器人设计与控制 369页 75.4M
电子技术基础模拟部分(第六版)学习辅导与习题解答
现代通信技术PPT版学习资料包括最新的3G和WCDMA技术的展望
林锋教你一步一步玩机器人(arduino)-基础篇
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