|
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 What Features to Use
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:12分17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
焊接专题视频之拖焊技术
哪种触摸屏控制器最防水——赛普拉斯Gen5技压群雄
Altera2012亚洲创新设计大赛CN099视频介绍-01
CES 2015: LocoRobo让学习机器人成为乐趣
UNIX 操作系统
基于sensortile的单手飞行器体感遥控器
Amplifier Protection Series
世界首款柔性智能屏手机问世
Delfino双核F2837xD性能介绍
3相永磁同步电机(PMSM)矢量控制
推荐帖子
ufun申请最后一天,就是忍不住想提醒你们
最后一天,点击下方链接跟帖申请啦 >>>跟帖免费申请UFUN学习板,跟着张进东学习&进阶模拟、工程技能 ...
nmg
综合技术交流
关于千兆以太网芯片
请教各位,有谁用过千兆网transceiver 4or5 ports ,现在项目需要,但是找不到合适的芯片,急于询问各位牛人。麻烦有用过的传一个datasheet,liuxuan0229@126.com 万分感谢。...
liuxuan0229
综合技术交流
多通道采集问题,请大虾们出出主意啊
我准备用STM32F103VB+24位AD采集3路数据,每一路都有一个单独的AD,3路AD同步采样。采集的数据都先保存到一片SRAM中(256K*8bit),每一路我都要保存最近30秒的数据,如有一路的值达到阈值,都要把3路最近30秒的数据保存到SD卡中, 其实关于这个我已经问过几个问题了,烦请大家不要BS,有什么牢骚尽管发, 我想问:1、3路数据同步采样保存到一片SRAM中,能实现同步采集保...
liuyx357
综合技术交流
STC烧写软件是流氓软件
每次用这软件烧写。。只能烧写2到3次。。然后就烧不进去。。必须拔了USB再插过USB。。才能烧进去。。 感觉这就是流氓软件。。很火大了。。。求介绍好的烧写软件撒。。。。...
liao779015
综合技术交流
用户评论
暂时无评论
推荐视频
更多
“我知道你在想什么”MIT发明的黑科技
ALIENTEK战舰STM32开发板视频教程
直播回放 : 5G 和边缘计算发展和技术应用
TI-RSLK 模块 15 - 数据采集系统
TI 针对穿戴设备应用的系统化解决方案详解
基于syslink的OMAPL138双核通信教程
TI 嵌入式处理器最新产品发布会
思科CCNA+CCNP学习教程
《对话通信原理视频》
世健的 ADI 之路主题游第一站:工业自动化
相关下载
更多
MSP430 Application UART 驱动软件
波束形成中MVDR算法 matlab程序实现
STM32菜鸟学习手册一罗嗦版 307页 15.8M 超清书签版
实例解读51单片机完全学习与应用
Allegro中文学习教程.pdf
AG9321说明书 USB-C转HDMI/VGA带PD3.0方案设计
软输出维特比译码算法的C语言详细实现,程序效率高,比MATLAB快多了.
基于模型的设计-MCU篇
Analog Circuit Design:A Tutorial Guide to Applications and Solutions
机器人学基础 [蔡自兴 编著] 2015年版
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