|
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
/
Learning With Large Datasets
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:5分44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
SimpleLink™Wi-Fi®CC32XX电源管理框架
基于脑电波的出行辅助系统体验
在实验室中测试多相调节器
数字电路设计(台湾交通大学版)
泰克Tektronix 213古董手持便携式示波器拆机_中文字幕
Digi-Key 与 DFRobot 的 maker 项目访谈
使用mTouch™ Framework自由开发触摸产品(一)
构建块 DAC: 系统思考方法
达人手把手教你DIY口袋PC
跟随格兰特今原一起到东京,探索人机一体化技术
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
【答题有礼】泰克完整LED驱动测试方案来啦~~~~~
泰克完整LED驱动测试方案 领跑节能亮化新时代活动开始啦~~~~ 【活动时间】 即日起-12月23日 【活动详情】 http://www.eeworld.com.cn/huodong/Tektronix_LED_201611/index.html 【如何参与...
EEWORLD社区
综合技术交流
【转帖】分析电路的四大常用方法
本帖最后由 Ameya360皇华 于 2018-1-9 11:16 编辑 电子电路图用来表示实际电子电路的组成、结构、元器件标称值等信息。通过电路图可以知道实际电路的情况。这样我们在分析电路时,就不必把实物翻来覆去地琢磨,而只要拿着一张图纸就可以了。在设计电路时,也可以从容地纸上或电脑上进行,确认完善后再进行实际安装,通过调试、改进,直至成功。我们更可以应用先进的计算机软件来进行电路的辅助设计...
Ameya360皇华
综合技术交流
EEWORLD大学堂----直播回放: TI 超低功耗 MCU 在触摸及智能化工业网关中的应用
直播回放: TI 超低功耗 MCU 在触摸及智能化工业网关中的应用:http://training.eeworld.com.cn/course/4693...
hi5
综合技术交流
用户评论
暂时无评论
推荐视频
更多
精通LabVIEW虚拟仪器程序设计
村田顽童——一年级学生篇
2020_Digikey KOL系列:图形算法在深度学习等应用中的加速手段
爱特梅尔maXTouch-无限触摸
小波与滤波器组
Atmel Edge PCB 202
一周搞定系列之数电
跟随格兰特 • 今原一起到日本,探秘长崎机器人酒店
TI 嵌入式处理器最新产品发布会
TI SimpleLink MCU无线平台及软件套件介绍现场培训
相关下载
更多
对微波基础理论的Matlab仿真。对于微波初学者有借鉴作用。程序补充
《空间谱估计原理与算法》子空间拟合算法matlab源代码
Python机器学习基础教程.pdf+代码.zip
ALC888_DataSheet_1.0
正交频分复用(OFDM)技术及其MATLAB模拟
(31,25)RS编码及解码matlab程序
The Ultimate Raspberry Pi Handbook
先进PID控制MATLAB仿真 第三版
机器学习实战 pdf (中文完整版)
ECU emulator (ECU 仿真软件)
电子工程世界版权所有
京ICP证060456号
京ICP备10001474号
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