|
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 II- Visualization
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:5分27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
TI无线解决方案助力工业4.0_2016 TI 嵌入式产品研讨会实录
FPGA内部结构简介(英特尔官方教程)
60V 可驱动LED的降压-升压控制器 IC
Introduction to Computer Vision
电机和电机控制的简介
集成了数字电源管理功能的模拟 DC/DC 控制器
CES 2015: Moto 360智能手表介紹
ADAS - 车用全景解决方案 TID3X
氮化镓功率器件及其应用
配合CCS调试CC3100_BP_MSP430F5529
推荐帖子
能蓝牙Mesh组网的PHY6212有哪些优势(一)
CPU介绍篇 PHY6212 搭载 ARM Cortex-M0 CPU。其 CPU、内存和所有外围设备均由 AMBA 总线结构连接。 ARM®Cortex™-M0 CPU 具有 16 位指令集和 32 位扩展(Thumb-2®技术)功能,可以在占用很小内存 的情况下提供高密度代码。其采用的单周期 32 位乘子、 3 级流水线和嵌套向量中断控制器(NVIC), 使...
乐乐熊
综合技术交流
巨人305亿并购游戏公司审核突遭暂停:涉重大事项核查
伟人网络305亿收买以色列游戏科技公司Playtika的买卖,忽然急刹车。 8月10日,本来是证监会上市公司并购重组审核委员会审核伟人网络(002558)严重资产重组计划的日子,不过当天证监会公告显现,因伟人网络触及严重事项核对,依据《中国证监会上市公司并购重组审核委员会工作规程》相关规则,决议对伟人网络集团股份有限公司发行股份购置资产申请计划提交并购重组委审核予以暂停,待相关事项明白后视状...
tlyl18108837711
综合技术交流
电路识图11-电源电路识图
电源电路包括整流、滤波电路和直流稳压电路两部分。本节主要介绍直流稳压电路。目前,常见的直流稳压电路有线性稳压电源电路和开关电源电路两种。一、线性稳压电源电路线性稳压电源电路有分立元件构成的稳压电源电路和机场电路构成的稳压电源电路两种。1、分立元件式稳压电源电路典型的分立元件式线性稳压电源电路如下图所示,该电路的核心元器件是R2,RP、R3构成的误差取样电路,R4,VZ构成的基准电压电路以及误差放大...
tiankai001
综合技术交流
ATA-3000系列 功率放大器——水声信号中的典型应用
ATA-3000系列功率放大器——水声信号中的典型应用 索引关键字:水声设备声纳探地雷达水下通信换能器 主动声纳是通过声纳本身发射声波,根据声信号反射回波来发现目标,并测定目标的位置和运动参数。水声信号发射机在主动声纳设备中是非常重要的组成部分,其产生特定形式的大功率电信号,经发射换能器转换成声能辐射到水中,对水下目标进行探测、跟踪和识别。发射机的输出功率直接关...
agitek456
综合技术交流
用户评论
暂时无评论
推荐视频
更多
球形六足机器人宠物
放大器稳定性系列教程
电力电子技术 西安交大 王兆安
视觉功能成就汽车技术
深入浅出玩转FPGA视频教程2020版(特权同学)
「嵌入式人工智能」- 中文聊天机器人开发
Atmel SAM4C智能能源器件
深入学习SoC FPGA
CES 2015焦点: 智能数码相框CEIVA
Virtex-5 功耗估计与测量演示
相关下载
更多
Understanding and Interpreting Standard-Logic Data Sheets
MATLAB_Simulink电力系统建模与仿真.pdf
SimRF™ User\'s Guide R2015b
FDTD 方法计算光子晶体带隙的matlab源程序
自适应波束形成(智能天线)的MATLAB代码仿真程序
Matlab 模型:SERDES, ADC, PLL等
Digital Communications A Discrete Time Approach by Michael Rice
AT45DB161D的测试程序.rar
MSP430 Application UART 驱动软件
LMS算法的matlab源代码
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