|
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
/
Unsupervised Learning- Introduction
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:3分16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
2015 TI 音频创新日 (10) 触觉技术介绍
Atmel-SigFox云连接方案
Atmel SAM D21 USB接口模块(一)
计算机体系结构_国防科大_王志英
2015 TI 音频创新日 (5) TI 提供的闭环低物料清单 (BOM) 放大器解决方案(TPA3140 和 TAS5720)
英飞凌XC800系统架构介绍——第二部分
有源RFID的常见应用
LabVIEW 网络讲堂 第一季
电磁场与电磁波
LabVIEW 网络讲堂 第四季
推荐帖子
EEWORLD大学堂----直播回放: Avnet&Micron 解锁汽车电子黑科技 开创未来驾乘新境界
直播回放: Avnet&Micron 解锁汽车电子黑科技 开创未来驾乘新境界:http://training.eeworld.com.cn/course/5762...
hi5
综合技术交流
电子产品测试工作如何开展
研发测试部门如何通过在研发办公室里的努力就能把产品产品的问题隐患发现呢? 本文回答的就是这个问题。不过以下内容仅针对电子产品、机电一体化产品、软硬件综合类产品的行业。至于从事牛奶、尿不湿、口罩、木工家具、方便面、某薄膜橡胶制品等产品研发的技术工程师和技术经理朋友们,看看热闹、快点把酱油给老婆送回家就好了,锅已热,再不送回去河东狮要吼了。 1、小概率问题如何发现——工程计算 任何产品里,组成...
WorlfT1987
综合技术交流
EEWORLD大学堂----电子纹身,还能随时切换图案~
电子纹身,还能随时切换图案~:http://training.eeworld.com.cn/course/3608能够通过蓝牙链接智能手机来控制的电子纹身!不仅能改变纹身的式样图案,显示重要信息,能让纹身消失的无影无踪,图案还是可以动哒!>>点击查看EE大学堂更多创客视频 ...
抛砖引玉
综合技术交流
分享一个开源软件的下载网址
这几天在下KICAD,官网特别慢,用百度网盘下载速度80k/bps慢的要命 后来找到这个清华大学开源软件镜像站,速度非常快,里边还有很多其它开源软件 https://mirrors.tuna.tsinghua.edu.cn/ ...
littleshrimp
综合技术交流
用户评论
暂时无评论
推荐视频
更多
TI-RSLK 模块 18 - 串行通信
单片机初识
计算机控制装置 浙大 张光新
人工智能 江西理工 罗会兰
现代电信技术的基本概念 北京邮电大学 吴德本
STM32 F7英雄联盟设计大赛
机器学习 (台大李宏毅)
组网技术
通信原理(北京邮电大学,更新中)
机械工程男用重力原理玩转“神器”
相关下载
更多
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
机器人设计与控制 369页 75.4M
An introduction to LLC resonant half-bridge converter
机器人学:运动学、动力学与控制
adpcm编码 C语言源程序 可供学习和参考
LINUX命令行学习手册
通信原理+第7版+学习辅导与考研指导+曹丽娜+樊昌信+课后习题答案
原子之STM32开发指南库函数版
STM32Cube学习笔记 (十六篇全)
ARM Cortex-A50系列处理器学习资料大全
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