|
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
/
Multivariate Gaussian Distribution (Optional)
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:13分45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
IC前端设计
TI近场供电NFC参考设计介绍
CC3220SF WiFi HomeKit 演示Demo
TI-RSLK 模块 11 - 液晶显示屏
Atmel_ 利用加密认证技术保护您的固件
SAM4L: 功能概述
电动汽车充电桩介绍
SpaceX Grasshopper 可回收火箭草蜢第5跳 250m 测试
英飞凌全新的12V无刷直流电机的演示系统介绍
读懂MOSFET数据手册
推荐帖子
【转帖】芯片是什么
复杂繁琐的芯片设计流程芯片制造的过程就如同用乐高盖房子一样,先有晶圆作为地基,再层层往上叠的芯片制造流程后,就可产出必要的 IC 芯片(这些会在后面介绍)。然而,没有设计图,拥有再强制造能力都没有用,因此,建筑师的角色相当重要。但是IC 设计中的建筑师究竟是谁呢?下面来对IC 设计做介绍。在IC 生产流程中,IC 多由专业IC 设计公司进行规划、设计,像是联发科、高通、Intel 等知名大厂,都自...
Ameya360皇华
综合技术交流
求高人帮忙猜个芯片
8脚双排直列 1.vcc 8 gnd 4 输入 3,5 输出 可能是电源保护! 有图! 与本人联系 解密有红包重谢!! ...
cc05dd
综合技术交流
手机电池测试:浅谈温度对手机电池寿命的影响
影响手机电池性能的因素有很多,因此手机电池在制造完成后需要进行各种测试。为了保障手机电池的安全性和可靠性,在手机电池的测试中要做到严格按照测试标准进行测试,选择可靠的连接模组,以便使测试结果更为准确。大电流弹片微针模组在手机电池的测试中,能起到导通电流和传送信号的作用,既能保持稳定的连接,又能提高测试效率。 手机电池的性能和寿命通常会受到温度的影响,锂电池的最佳使用温度0-35摄氏度...
kzt-wdz凯智通
综合技术交流
串行为何比并行快?
上周我们寄出了一个活动中的32G U盘,大家也在论坛晒出了此款U盘的传输速度对比,有人提出质疑,USB仅靠一对差分线传输,而SD卡有9根线,往往U盘的速度却远高于SD卡的速度。那么问题来了,为何在绝大多数时候串行比并行快? ...
eric_wang
综合技术交流
用户评论
暂时无评论
推荐视频
更多
解析Atmel 8位AVR的关键优势
数据采集技术第二讲:配置管理软件MAX
工业机器人研讨会
Atmel AVR设计入门 - 如何配置GPIO
CES 2015焦点: maXTouch T Series手势解锁功能演示
使用Atmel Studio 6进行AVR应用调试
《对话通信原理视频》
研讨会:高性能 i.MX RT 处理器助力智能节点无需联网实现机器学习
PSoC Creator 特色概述:文件管理器
新一代计算机会自己编程
相关下载
更多
Analog Circuit Design:A Tutorial Guide to Applications and Solutions
自律型机器人制作入门 基于Arduino 216页 27.0M 高清版
ATmega8原理与应用手册
Atmel元器件库(元件库、封装库、3D库)
uCOS-II在STM32上移植学习
官方AD封装库:Atmel
实例解读51单片机完全学习与应用
WiFi IP-Cam solution:FIC8120 platform.VIA VT6655 MiniPCI Module driver source code。
基于matlab做的三维射线追踪的源代码。供大家交流之用。
Atmega328P技术手册
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