|
首页
|
电子技术
|
电子产品应用
|
电子头条
|
论坛
|
电子技术视频
|
下载中心
|
Datasheet
|
活动中心
|
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
/
Mathematics Behind Large Margin Classification (Optional)
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：19分41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
C2000™工业驱动与自动化_2016 TI 嵌入式产品研讨会实录
汽车USB充电
Microsemi FPGA开发工具——Libero集成开发环境详解
精通LabVIEW虚拟仪器程序设计
[高精度实验室] 运算放大器 : 15 比较器应用
数字电路与系统设计
3小时实战+剖析：TI 工程师手把手带你全面入门 MSP430
国嵌Linux应用班
PMSM控制技术：带传感器VS传感器 - 电机控制电子实验室总8
如何将树莓派变为音乐电台
推荐帖子
EEWORLD大学堂----直播回放: TI DLP? 产品赋能工业光控领域与创新
直播回放: TI DLP? 产品赋能工业光控领域与创新：http://training.eeworld.com.cn/course/5770...
hi5
综合技术交流
EEWORLD大学堂----直播回放: TI 毫米波雷达在工业上的应用
直播回放: TI 毫米波雷达在工业上的应用：http://training.eeworld.com.cn/course/4715...
hi5
综合技术交流
一个D触发器和ADC采样消抖的问题
本帖最后由 littleshrimp 于 2020-4-6 08:03 编辑 这是LTC2325-16的ADC评估板（DC2395A）里一个防止CNV_EN引脚抖动的电路 分析电路原理确实是原理图里说的那样，CNV的上升沿（D触发器的Q')是由CNV_EN的上升沿控制的，CNV的下降沿是在CNV_EN为低后CP的下降沿控制的。 我的问题是CNV的上升沿才是启动转换的时间，CN...
littleshrimp
综合技术交流
EEWORLD大学堂----TI FPD-Link III 汽车芯片组，汽车视频传输理想解决方案
TI FPD-Link III 汽车芯片组，汽车视频传输理想解决方案 ：http://training.eeworld.com.cn/course/5349...
hi5
综合技术交流
用户评论
暂时无评论
推荐视频
更多
漫画图解深度学习
TI-RSLK 模块 12 - 直流电机
EDA技术 杭电 郭裕顺
慧净电子Arduino视频教程
跟随格兰特今原一起到东京，探索人机一体化技术
一周搞定系列之数电
ALIENTEK战舰STM32开发板视频教程
基于 Jacinto™ TDA2x SoC 和深度学习的实时 mmWave 和相机传感器融合系统设计
【虚拟仪器大赛】探测小车
3D TOF机器人：障碍物检测，防撞和导航
相关下载
更多
DSP学习方法
AVR单片机学习_第三章
PIC单片机器件配置字简介和使用
PyTorch深度学习
半导体物理
现代机电设备安装调试，运行，检测与故障诊断，
STM32各模块学习笔记(20130508203726)
模拟电子电路的一点学习方法
工业机器人设计工程师指南
IAR的C C + +开发指南
电子工程世界版权所有
京ICP证060456号
京ICP备10001474号
电信业务审批[2006]字第258号函
京公海网安备110108001534
Copyright © 2005-2020 EEWORLD.com.cn, Inc. All rights reserved
综合技术交流
用户评论