|
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
/
Principal Component Analysis Algorithm
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:15分13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
空中游戏手柄
泰克MDO3000混合域示波器的测量应用
操作系统原理 西安交通大学 田丽华
PADS9.5视频教程
生物体五官(嘴巴)精细刻画15分钟搞定——卡丁制作
TI通用运算放大器
磁场简介:第一部分
UNIX 操作系统
了解,测量和降低 DC/DC 开关稳压器中的输出噪声 - 第II部分
行业隔离标准和AMC1301增强型隔离放大器探讨
推荐帖子
LCD液晶屏如何防潮、防湿
此内容由EEWORLD论坛网友罗姆液晶技术站原创,如需转载或用于商业用途需征得作者同意并注明出处 众所周知,液晶屏需要防潮和防湿,但是有些户外使用的液晶屏要如何保护呢?有些地区到了梅雨季节就是室内液晶屏防潮的工作都是一个难题,今天我们在这里浅聊一下 首先来看室内的液晶屏,安装是一定要选在通风的地方,要经常打开窗户适当的通风,使室内环境相...
罗姆液晶技术站
综合技术交流
EEWORLD大学堂----直播回放 : Azure Sphere 助力稳定,安全和灵活的物联网解决方案
直播回放 : Azure Sphere 助力稳定,安全和灵活的物联网解决方案:http://training.eeworld.com.cn/course/5670...
hi5
综合技术交流
05.30【每日一问】break和return
while (( ptr_temp != ptr) && ptr_temp ) { for ( i = 0; i < 9; i++ ) { if ( ptr_temp->Card_nunmber &nb...
ddllxxrr
综合技术交流
EEWORLD大学堂----埃隆·马斯克访谈——成功背后的故事(中英文字幕)
埃隆·马斯克访谈——成功背后的故事(中英文字幕):http://training.eeworld.com.cn/course/4358...
phantom7
综合技术交流
用户评论
暂时无评论
推荐视频
更多
研讨会: TI - RSLK 中国版机器人套件, 低成本开启电子工程课程实战之旅
村田顽童演示控制姿势行走
村田顽童的堂妹“村田少女”问世 3
正点原子手把手教你学STM32-M7
DDR电接口检验和内存系统调试
Digi-Key 与 DFRobot 的 maker 作品: 重力感应游戏机 DIY
无人机设计导论 - 南京航空航天大学
小波与滤波器组
波士顿动力新一代双足机器人Atlas
波士顿动力(Boston Dynamics)机器人集锦
相关下载
更多
HALCON_精确测量与定位方法详解
IEEE standard Verilog HDL1364-2001.pdfVerilog 学习必备资料
Cadence完全学习手册.pdf
STM32菜鸟学习手册一罗嗦版 307页 15.8M 超清书签版
Xilinx公司关于testbench的学习资料
《深度学习实践计算机视觉》PDF 缪鹏.pdf
Allegro中文学习教程.pdf
Analysis and design of analog integrated circuits [Paul R. Gray, 5th Edition]
MK_机器人C语言机电一体化接口 227页 7.9M.pdf
射频电路测试原理(清华大学电子工程系学习课件)
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