|
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:7分4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
Vishay威世科技--分流电阻
Linux下vivado安装教程
通过 PMBus 电源向ASIC、FPGA 以及 DDR 电压轨供电设计
Altera Mini-Data机器人
【轻松一刻】看各大厂商宣传片,东芝温情~TI酷~联发科人文~Deyisupport逗儿
EDA技术与实验 哈工大 朱敏
MSP430FR2433 ADC 唤醒和传输的练习
嵌入式系统及应用
电动汽车模拟引擎声音系统设计
正确测试MLCC(多层陶瓷电容)
推荐帖子
秘籍下载丨ADI专家讲电阻、电容、电感使用的23个要点
虽然基础,但无源器件背后却蕴含着不少值得深研的问题,要是搞不清楚说不定还会在电路设计时“翻车”。ADI智库推出针对无源元件的电子工具书——《无源器件使用要点》,搜集了来自ADI官方的无源器件相关资料,从器件选择、应用设计、测试测量方面进行分类整理,共23篇技术文章,旨在帮助广大工程师、电子工程相关学子梳理电子电路基本元件的基础知识以及解决电路设计过程...
eric_wang
综合技术交流
刚大学毕业,如何进入嵌入式开发行业?
在学校专业是软件工程,java和.net都学过,现在毕业了,想做嵌入式开发,有哪位大虾知道如何能快速进入嵌入式行业?...
夏天了吗
综合技术交流
不加限流电阻的情况下,ULN2003的INPUT引脚最大可以输入多少V的电压?
不加限流电阻的情况下,ULN2003的INPUT引脚最大可以输入多少V的电压? http://www.ti.com/lit/ds/symlink/uln2003a.pdf ...
littleshrimp
综合技术交流
ADM2483无法正常通讯问题
电路图如图所示。将板子通过RS485转USB模块接到PC机的串口调试助手调试。线路板的A接到转换器的A 线路板的B接到转换器的B时,线路板发送数据时每次只发送出0x00一个字节,接收数据时接收到的全是乱码。将AB线和转换器的AB线反接之后。线路板能正常收到数据但发送不出数据。请问是什么原因?线路板上的单片机用的是STM32F103.另外线路板没有数据收发的时候。图中D5的LED灯微亮。中间是个非常...
qrnuyangfu
综合技术交流
用户评论
暂时无评论
推荐视频
更多
2015 TI 音频创新日 (6) TI 门户网站,音频产品选择工具
基于Ispice与Hspice的SPICE教学视频(元智大学)
xilinx zynq fpga视频教程
CMOS模拟电路视频讲义 EECS240
Atmel Edge 调试 103
机器学习 (台大李宏毅)
机器学习技法
星球大战的超萌机器人出世啦:BB-8!
物联网概论
原子教你玩STM32
相关下载
更多
ABB机器人系统参数说明书(中文版)
Microsoft最新驱动架构WDF教材《Developing Drivers with the Windows Driver Foundation》
Mathematical Thought from Ancient to Modern Times
Pulse Width Modulation for Power Converters - Principles and Practice.pdf
电路(第五版)学习指导与习题分析
机器人设计与控制 369页 75.4M
Synchronization in Digital Communication Systems(Fuyun Ling, 2017)
Verilog HDL数字设计与综合(第二版)
Xilinx公司关于testbench的学习资料
Kintex-7 FPGA KC705 Evaluation Kit
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