|
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
/
Choosing the Number of Principal Components
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30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
如何突破时域和频域测试的壁垒
放大器稳定性系列教程
互联网基础设施网络研讨会
Altera Mini-Data机器人
直播回放: ST MEMS 传感器开发套件简介、了解内嵌“有限状态机和机器学习内核”的传感器
IC后端设计
嵌入式Linux USB驱动开发
使用75 W TAS6424-Q1 D类音频放大器进行直流和交流负载诊断
动画演示集成电路制造过程
Arduino无线天气预报站( 太阳能驱动 )
推荐帖子
DS2072 XY模式
总体来说2G的采样率表现还不错 唯一比较蛋疼的就是限制了大小 无法放大 还好是8寸屏 但是和安捷伦10寸屏还可以放大对比就有点悲剧了 $('flv_F88').innerHTML=(mobileplayer() ? "" : AC_FL_RunContent('width', '500', 'height', '375', 'allowNetworking', 'internal', '...
qq849682862
综合技术交流
EEWORLD大学堂----直播回放:SOI 电平转换驱动 IC 在 LLC 拓扑中的用途
直播回放:SOI 电平转换驱动 IC 在 LLC 拓扑中的用途:http://training.eeworld.com.cn/course/5175...
hi5
综合技术交流
电路识图2-模拟电路的识图方法
(特别说明:本文所配图片仅为模拟电路电路图,图片位置与相应位置出的文字并无对应关系,敬请谅解!)一、识图要点1、电路组成模拟电路图都是由各种元器件图形符号和文字符号做成的,如电阻器,电容器,电感器,晶体管,集成电路等元器件。要看懂一个电气设备的电子电路图,首先要了解图中使用了那些电子元器件,这些元器件的结构、功能、特性是什么。电路图中用的最多的是晶体管和集成电路,因此要了解晶体管的输入、输出特性以...
tiankai001
综合技术交流
关于MHL,大家想了解哪些?对MHL的需求有多大?
现在大多数手机都支持高清摄像,而且像素越来越高,拍出来的照片简直可以媲美单反了。逢年过节和朋友家人在一起的时候,你是不是也愿意和大家分享手机里的照片或视频呢?相信屏幕再大的手机也不如放在电视上或电脑屏幕上看着过瘾吧。然而,想把手机上的内容直接投放在电视上需要经过一系列复杂的设置和调试,而且大屏幕使得电量消耗剧增,复现的内容目前多是通过APP的方式...
eric_wang
综合技术交流
推荐文章
使用开源开发工具加速边缘计算的机器学习能力
2021年02月25日
摘要:机器学习和深度学习技术如何快速发展,这为需要寻求方法来优化运行在具有功耗,处理和内存限制的微型边缘设备上,进行ML应用程序的开发人员带来了新的挑战。易于使用的开源开发工具,将简化在嵌入式平台上创建ML /深度学习项目的过程。正文: 物联网(IoT)已将数十亿台互联设备带入到我们的家庭、汽车、办公室、医院、工厂和城市中。物联网先驱者设想了庞大的无线传感器节点网络...
2021年汽车行业的四大趋势预测
2021年02月23日
许可证合规计划的要求,这将有助于在交换软件的组织之间建立信任。ISO 5230 将为汽车行业发挥重要作用,从开源许可证合规角度帮助管理供应链风险。 人工智能和机器学习应用更普遍尤其是在自动驾驶领域5G 网络的部署不断扩展,使得车联网 (V2X) 在主要大城市变得更加可行。由于车辆彼此之间以及与交通基础设施都能共享基本安全信息(位置、速度、方向等),采用V2X 技术...
新思出品:2021年汽车行业四大趋势预测
2021年02月22日
,这将有助于在交换软件的组织之间建立信任。ISO 5230 将为汽车行业发挥重要作用,从开源许可证合规角度帮助管理供应链风险。 人工智能和机器学习应用更普遍尤其是在自动驾驶领域5G 网络的部署不断扩展,使得车联网 (V2X) 在主要大城市变得更加可行。由于车辆彼此之间以及与交通基础设施都能共享基本安全信息(位置、速度、方向等),采用V2X 技术可以保障更加安全、高效的道路...
机器学习可能带来的风险和应对方法
2021年02月22日
近年来,深度学习算法推动人工智能实现了快速发展。以深度学习为基础的机器学习可以让计算机模拟或实现人类学习行为,从而不断改善自身性能,其应用正遍及人工智能的各个领域,并在各行业得到爆发式增长。但机器学习也面临着各种挑战和风险。美国《哈佛商业评论》杂志2021年1/2月刊发表欧洲工商管理学院(INSEAD)研究人员鲍里斯·巴比克(BorisBabic)、I.格伦·科恩(I...
用户评论
暂时无评论
推荐视频
更多
Labview中学生零起步学习视频
STM32CubeMX and STM32Cube HAL basics
基于 TI Sitara™AM5708 的工业派
村田顽童的堂妹“村田少女”问世 1
11秒拆解一部iPhone,Liam机器人成苹果发布会最大惊喜
正点原子手把手教你学STM32-M4
云龙51单片机视频教程
基于树莓派如何开发机器人
嵌入式系统及应用
FreeRTOS on stm32 ST
相关下载
更多
The C++ Programming Language Special Edition4.rar The C++ Programming Language Special Edition4.ra
基于FPGA的农林业环境监测机器人系统设计_胡刚毅.pdf
Instruction Sets Should Be Free - The Case For RISC-V
C++程序设计语言特别版(中文版) The C++ Programming Language S
《机器学习》Tom M. Mitchell(卡内基梅隆大学) 著 曾华军等译
图解机器学习
marking of diodes__vishay
《Deep Learning》
zigbee无线传感网络物理层学习资料下载
MATLAB Simulink系统仿真超级学习手册 [石良臣] 2014年版.pdf
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