|
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
综合技术交流
综合技术交流
综合技术交流
综合技术交流
京公网安备 11010802033920号
Copyright © 2005-2021 EEWORLD.com.cn, Inc. All rights reserved
用户评论