|
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
/
Problem Formulation
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:7分54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
Arduino 总线通讯概述
Engineer It:如何克服在发动机缸体中的温度差异
TI.com 线上采购专场:智能楼宇篇
信号处理与系统
当机器狗遇到真狗......
信息论与编码 同济大学 戴明远
Webench电源设计培训系列视频
Introduction to Computer Vision
二极管导通时间引发开关稳压器的故障
电路理论基础 西安交大 赵进全
推荐帖子
电路识图23-施密特触发器电路原理分析
本帖最后由 tiankai001 于 2018-2-11 15:03 编辑 施密特触发器是最常用的整形电路之一。施密特触发器的两个显著特点是:电路含有正反馈回路;具有滞后电压特性,及正向和反向翻转的阈值电压不相等。施密特触发器具有两个稳定状态:要么VT1截止,VT2导通;要么VT1导通,VT2截止。这两个稳定状态在一定条件下能够互相转换。施密特触发器可以由晶体管、门电路等构成。一、晶体管施密特...
tiankai001
综合技术交流
学习板教程 第三课——8*8点阵
8*8点阵的代码哦,这是双色的8*8点阵,依次写了两部分,先学会亮一个灯,再学习让其显示流水的效果,欢迎下载,谢谢!...
764workshop
综合技术交流
【沁恒试用】CH554开箱
本帖最后由 不足论 于 2019-6-23 11:19 编辑 看了一下试用名单,唯独就我一个人申请了CH554,大家都追求性能较好的另外2款开发板,不过,对我来说,CH554已经足够用了,我已经很多年没有弄单片机了,最近想重温一下,不过一看代码,瞬间有点头晕的感觉,有点生疏。 不知道哪里设置得不对,后面仔细参考一下这个文章吧: http://bbs.eewor...
不足论
综合技术交流
【NXP USB Type C评测 】by dcexpert 04.25更新啦!!!
这里是@dcexpert 【NXP USB Type C评测】汇总帖: 【NXP USB Type C评测 】上电 【NXP USB Type C评测 】使用Bootloader 【NXP USB Type C评测 】使用Jlink下载程序 【NXP USB Type C评测 】硬件初探 【NXP USB Type C评测 】为什么Type C还要分正反插 【N...
okhxyyo
综合技术交流
用户评论
暂时无评论
推荐视频
更多
放大器稳定性系列教程
玩转 Arduino —写出好的控制代码
星球大战呆萌机器人BB-8应用展示
低功耗MCU的比较:nanoWatt XLP与MSP430
Alf-Egil Bogen 介绍最早期的AVR样品
TI SimpleLink MCU无线平台及软件套件介绍现场培训
TI-RSLK 模块 12 - 直流电机
ARM 2014 多媒体研讨会
【PlanAhead教程】教您如何使用PlanAhead
CES 2015: LifeQ开发人体传感器
相关下载
更多
ATJ3315D PCB 录音笔电路
百面机器学习:算法工程师带你去
Allegro中文学习教程.pdf
《实用化工计算机模拟:MATLAB在化学工程中的应用 》这本书光盘里的程序~
ispLEVER Classic 1.4
SimRF™ User\'s Guide R2015b
机器人控制24本
MATLAB_Simulink电力系统建模与仿真.pdf
嵌入式C编程与Atmel AVR
电子学习数字电路教案
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