|
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
/
Motivation I- Data Compression
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9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
组网技术
嵌入式Linux在消费电子领域的发展与应用
低速串行总线调试-I2C译码
村田顽童的堂妹“村田少女”问世 1
云龙51单片机视频教程
手把手教无传感器的InstaSPIN-FOC电机控制技术2(B)
全新树莓派4:它是否能替代你的pc
SensorTile简易空中鼠标
采用 LT8697 为汽车中的USB VBUS供电
C编译器软件安装演示视频
推荐帖子
求解释
#include <reg52.h>#include "74hc595.h" uchar ledLenth; //流水灯当前长度char ledAdd_x,ledAdd_y; //流水灯偏移量uchar led_x[64]; //流水灯坐标数组uchar led_y[64];uchar i;/*-------------------------------------- &...
茂茂
综合技术交流
设计RS-232串口的红外收发通讯电路项目
项目资金:200-500元 仪表设备与电脑的串口通讯要求:(1)发送和接受全部采用分立元件,红外发送管和红外接收管 (2)PC机做上位机 和下位机(单片机) 分别可以执行发送和接受(双向收发—半双工) (3)PC机的通讯接口通过一个 9针的COM口连接到电脑,无...
uso103
综合技术交流
Mouser 寻宝之旅:发现好物,推荐有好礼(已颁奖)
>>颁奖帖:Mouser 寻宝之旅:发现好物,推荐有好礼 为配合论坛重磅活动: >>Mouser 福利活动:邀请新用户下单,各得百元奖励! 特发起: Mouser 寻宝之旅:发现好物,推荐有好礼 活动! 活动时间:即日起-10月15日 参与方式: 1、跟帖推荐你在 Mouser 上发现的好物名称、链接,并注明推荐理由 2、我们将根据您的推荐内容进行评奖。 ...
soso
综合技术交流
【ufun学习】环境开发搭建
本帖最后由 闵丨大 于 2019-7-21 16:41 编辑 此内容由EEWORLD论坛网友闵丨大原创,如需转载或用于商业用途需征得作者同意并注明出处 小弟跟着师兄准备全国电赛,师兄让我学习TI公司的MSP430F5529单片机。所以没能及时更新,非常抱歉。另外,当时以为自己下单了ST-Link,今天才发现并没有下单,超级尴尬。下文通过ISP烧写代码的方式到ufun。 ...
闵丨大
综合技术交流
用户评论
暂时无评论
推荐视频
更多
Atmel|SMART 基于Cortex M0+核的MCU
机器人-人工智能基础教程
一天攻破K60
苹果公司CEO乔布斯在斯坦福大学的演讲中文字幕
MSP430的ADC10技术应用
无人机与机器人应用中电机控制设计的考量
ARM微控制器与嵌入式系统
人工智能 江西理工 罗会兰
FreeRTOS应用开发(正点原子)
通信原理(北京邮电大学,更新中)
相关下载
更多
《机器学习》--周志华完整版pdf
Digital Communication Systems Using SystemVue
DM9051NP datasheet
机器学习实战 pdf (中文完整版)
FDTD 方法计算光子晶体带隙的matlab源程序
uc3846 datesheet
全数字音频功放NTP3000A
C2000CodeGenerationTools5_0_2.exe
台湾ESD协会推荐文章——ESD/Latchup测试方法
Genesys中的WHATIF操作方法
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