|
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
/
Using An SVM
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:21分2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
全新树莓派4:它是否能替代你的pc
形象地介绍:什么是傅里叶变换
TI Zigbee 3.0及多协议解决方案
nxp
攀墙机器人VertiGo
STM32 Nucleo:开放式开发平台
FPGA至简设计原理与应用
组网技术
直播回放: 英飞凌&英恒解说 - 如何选择一颗合适的车用 MOSFET
了解数据转换器错误及参数
推荐帖子
EEWORLD大学堂----直播回放: ST 意法半导体SiC产品及其工业应用指南
直播回放: ST 意法半导体SiC产品及其工业应用指南:http://training.eeworld.com.cn/course/5784...
hi5
综合技术交流
python基于wxpyhon的图形脚本打包成exe无法运行的解决办法
本帖最后由 wsmysyn 于 2018-7-7 14:52 编辑 最近在学习用python基于wxpython的GUI图形库开发一个上位机软件。wxpython是一个python语言的开源GUI图形库,具体可以百度一下。 以前用过C#写过上位机,比较简单,直观。主要问题是VS2017太大了(C#桌面程序包+ C++部分就占用了磁盘10GB以上的空间,而且安装时间也比较长),最主要的是每次修...
wsmysyn
综合技术交流
意法半导体SiC产品及其工业应用指南 直播资料合集
直播资料合集 有奖直播:意法半导体SiC产品及其工业应用指南 直播回放: >>点击观看 直播文档: >>点击下载 直播问答: 1、SiC主要应用领域是什么? A: 充电桩、车载OBC, traction i...
EEWORLD社区
综合技术交流
深入了解MHL功能及使用测试
之所以给大家转这篇文章,是因为目前在网上还没看到有关测试MHL的内容,有的都是简单的使用体验,也许是这东西太简单了,或者是它太小众了,现在分享给大家。(我主要负责录制视频,文字部分由同事完成)原文如下: 随着人们对于移动设备娱乐功能需求的增加,超大屏智能手机已经成为一种趋势,平板电脑的尺寸也大有追赶上笔记本的势头。但是大屏幕随之带来的困扰就是不便于携带以及可操作性的降...
eric_wang
综合技术交流
用户评论
暂时无评论
推荐视频
更多
机器人学(MPIG版)
工业4.0导论
计算机科学速成课
Microchip时钟与时序应用解决方案
结合罗姆传感器和无线技术的产品演示1:乐队机器人
工业4.0之机器人高端研讨会
嵌入式实时操作系统μCOS原理与实践(卢有亮)
自主移动机器人 西北工业大学
机器学习深入研究
《对话通信原理视频》
相关下载
更多
电子学习资料[适合初学者]
机器人控制24本
An 18b 12.5MHz ADC with 93dB SNR
电子学习数字电路教案
《可编程逻辑器件应用与实践》学习情境4数字电压表的设计与制作(电路设计与PCB)
Arduino机器人权威指南
快乐学习C/C++
林锋教你一步一步玩机器人(arduino)--制作篇(入门组件A)
利用Matlab编程模擬实现,藍芽GFSK調變解調,希望供大家参考学习
实例解读51单片机完全学习与应用
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