|
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
/
Vectorization- Low Rank Matrix Factorization
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27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
VICOR 高性能电源转换研讨会 (2019.11)
工业4.0之机器人高端研讨会
详解matlab图像函数及其应用
2016 TI 电池管理及Type C研讨会 (上)
Atmel Studio 6.2 开发工具中的优化调试器
手把手教你用Arduino+游戏手柄+电机驱动控制步进电机
学习并行总线波形捕获与分析
在STM32F4开发板上实现流畅的枪战游戏
直播回放:TI 新一代 C2000™ 微控制器
利尔达有源RFID平台资源
推荐帖子
米勒效应杂谈
自从功率MOS广泛用于开关电源后,米勒效应逐渐为电源应用工程师所重视。多数初进的电子工程师觉得好像米勒效应是新的发现。其实,米勒效应的发现非常早,不但比MOS管早,甚至比BJT(双极型三极管)还要早得多。 1919年到1920年,美国无线电工程师约翰·米尔顿·米勒(John Milton Miller)在研究真空管时,发现了这个后来以他的姓氏命名的效应。要知道世界上第一个工业生产真空管的...
maychang
综合技术交流
去哪里可以查到德国的这个专利号,急
safeHDDM® 以 SICK 久经考验的 HDDM® 方法(HDDM = 高精度距离检测)为基础。safeHDDM® 扫描技术树立了飞行时间测量分析的新标杆。这项方法已由 SICK 申请为专利,通过过滤和分析多个单脉冲的方式提供对安全激光扫描仪而言无与伦比的测量结果。 ...
kangkls
综合技术交流
有研究无线输电的吗
有研究无线输电的吗,一起交流哦。 本人今年初的时候研究过基于感应原理的无线输电,仔细阅读过WPC的协议文档(Wireless Power Consortium). 为此还花钱买了一些仪器和元器件,当时做的实验比较成功。设计的电路能从QI充电设备稳定的获取能量。 不过后来仔细分析市场,觉得自己做这个产品不是很成熟,就放弃了。 后续会将实验过程的笔记分享出来。 不过基于谐振原理的无线输电当前...
IamFoxdeng
综合技术交流
【转帖】电子元器件筛选方案的设计原则及筛选项目
电子元器件的固有可靠性取决于产品的可靠性设计,因此,应该在电子元器件装上整机、设备之前,就要设法把具有早期失效的元器件尽可能地加以排除,为此就要对元器件进行筛选。那么元器件筛选都有哪些方案?原则是什么?常见的筛选项目有哪些?安排测试筛选先后次序时的两种方案:a)方案1:将不产生连环引发效果的失效模式筛选放在前面,将可以与其他失效模式产生连环引发效果的失效模式筛选放在后面。b)方案2:将可以与其他失...
Ameya360皇华
综合技术交流
用户评论
暂时无评论
推荐视频
更多
Simplicity Studio: Configurator 配置工具
Alf-Egil Bogen 介绍最早期的AVR样品
How to read an OPAMP's Data Sheet
全方位解析AT91SAM系列启动方案AT91Bootstrap
研讨会 : 英特尔® FPGA 深度学习加速技术
Atmel SAM D21 PTC噪声抑制的功能(三)
Vivado入门与提高(高亚军)
Analysis and Design of a Flyback(反激电源设计与分析)
基于 Jacinto™ TDA2x SoC 和深度学习的实时 mmWave 和相机传感器融合系统设计
计算机控制装置 浙大 张光新
相关下载
更多
MATLAB应用实例精讲——图像处理与GUI设计篇(陈超)
全志T2 datasheet
matlab编写的三维FDTD程序 pml边界条件 实现电磁波传播数值模拟和仿真
A Subthreshold Voltage Reference With Scalable Output Voltage for Low-Power IoT Systems
TI的IQmathlib库
完整的C语言编写的带通滤波器 运行成功并在matlab上检验
基于ATmega88PA智能太阳路灯控制器的设计
吴长波-国内光模块及光器件产业现状及挑战
Handbook of Aerospace Electromagnetic Compatibility
吴金CMOS模拟集成电路设计(Allen)版课件
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