|
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
/
Collaborative Filtering 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:8分26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
平板示波器使用方法视频教学
LIGO发现引力波新闻发布会 中文字幕
NFC近场感应技术详解
设计指南-热功率器件设计中的几点思考
研讨会 : 现代电动工具的设计挑战与英飞凌解决之道
高效、超低 IQ、42V、2.5A 同步降压型稳压器
TI FPD-Link III 汽车芯片组,汽车视频传输理想解决方案
新唐 8051单片机教程
霍尔位置传感器应用概述
Atmel工具详解
推荐帖子
一种非接触式扭矩测试系统的设计
在旋转动力传递系统中,扭矩是众多机械测量中的一个重要的参数。由于在这类系统中的转动部件高速旋转的特点,相比传统的接触式测量方法,使得扭矩测量中的传感器供电和数据传输过程比较困难。目前,传统的扭矩测试从供电方式上可分为接触式和非接触式供电,前者常采用导电滑环来实现,但由于其采用摩擦接触,因此不可避免的产生发热和磨损,影响了转轴的转速及滑环的使用寿命,还有些系统采用电池供电,...
一世轮回
综合技术交流
电子发明、发现历史年表
年份发明、发现或创立发明者、发现者或创立者1745电容器莱顿1780电流效应加尔瓦尼1800干电池伏打1808原子理论道尔顿1812电缆绝缘塞默灵和希灵1820电磁学奥斯特1821温差电学塞贝克1826欧姆定律欧姆1831电磁感应法拉第1831变压器法拉第1832自感亨利1834电解法拉第1837继电器库克、惠斯登、戴维1839光电效应贝克莱尔1843惠斯登电桥惠斯登1845基尔霍夫定律基尔霍夫 ...
tiankai001
综合技术交流
最后一天!泰克示波器双11立减千元限时抢购!
双11大家都买了哪些性价比高的东西,欢迎发帖分享,第一时间收到货也欢迎发帖晒单 在这给大家推荐泰克双11促销盛典,多款示波器限时抢购,最高立减1230元! 购买 MDO 3系泰克示波器 还有1000元京东卡赠送,活动截止到11月11日, 今天就是最后一天了,有需求的小伙伴快快下单吧! ...
eric_wang
综合技术交流
塞普拉斯物联网新产品设计技巧巡回Workshop邀您参与
为协助广大客户快速掌握Cypress新产品的设计技巧,将其产品加速推上市场,Cypress及其分销合作伙伴将于2015年11月至12月在大中华地区多个城市举办巡回产品研讨会Workshop,请抓紧报名。 凡完整填写注册信息,亲自参加Workshop并完成所有实验者均有机会获赠评估工具一套(名额有限,送完即止)。 >>>立即注册...
eric_wang
综合技术交流
用户评论
暂时无评论
推荐视频
更多
TED精选合辑(机器人、3D打印、电路、飞行器等相关)
呆萌机器人集体跳广场舞,少女时代舞曲
LabVIEW网络讲坛
Digi-Key 与 DFRobot 的 maker 作品: 履带车
CES 2015焦点: 全新的Atmel Qtouch Surface平台
基于syslink的OMAPL138双核通信教程
直播回放:Microchip ATmega4809系列单片机简介
工程更智能、工业设计更强大: TI 机器人系统
电机学
MSP CapTIvate自适应传感器PCB设计指南
相关下载
更多
基于matlab编写的蜗杆齿面仿真源代码
Optimizing Loop Operation and Dataflow in FPGA Acceleration of Deep...
Altium Designer 脚本文件 PCB Logo Creator下载
使用 MATLAB 进行 5G 开发
IEEE JOURNAL OF SOLID-STATE CIRCUITS
电磁场与波 电磁材料及MATLAB计算
Lightpipe光学仿真库
工程师STM32单片机学习基础手记(2):从勉强看懂一行程序到IO口研究
IS917 USB3.0 Flash Controller datasheet
STM32Cube学习笔记 (十六篇全)
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