|
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
/
Stochastic Gradient Descent Convergence
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:11分31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
CES 2015: 利用以太网-AVB串流音频档案
电工技术
磁场简介:第四部分
MakerBot 3D打印基础技巧
研讨会 : ADI 数字主动降噪耳机方案
天津大学第三届飞思卡尔杯智能车竞赛纪念视频
2016 TI 工业研讨会:让工业4.0成为现实——TI无线连接技术解析
基于SensorTile的变声器演示
Digi-Key 与 DFRobot 的 maker 作品: 重力感应游戏机 DIY
树莓派设计集锦:激发灵感的源泉
推荐帖子
EEWORLD大学堂----SpaceX实现人类史上首次海上回收火箭
SpaceX实现人类史上首次海上回收火箭:http://training.eeworld.com.cn/course/36054月9日凌晨4时52分,SpaceX太空探索公司成功在大西洋上回收猎鹰9号一级火箭。也是人类历史上首次在海上成功实现火箭回收。之前四次海上回收都以失败告终,这次,他们终于成功了。海上回收使火箭不需要消耗宝贵的燃料飞回鲁迪着陆场,直接自然降落即可。 >>点击查看更多EE大学...
抛砖引玉
综合技术交流
测试测量-示波器垂直分辨率
本帖最后由 Micsig麦科信 于 2019-12-17 14:12 编辑 垂直分辨率概念 用数字示波器测量模拟信号第一步就是用ADC(模数转换器)把探棒接收到的模拟信号转换成数字信号,ADC数模转换芯片的分辨率直接决定了示波器垂直方向上的采样精度。比如ADC是8位,那么垂直方向上的信号可以被切分成00000000~11111111一共2的8次方,256段。模数转换器的垂直分辨率,就是...
Micsig麦科信
综合技术交流
05.12【每日一问】:电动车真的环保吗?
这次,我们讨论一个和技术相关的热点话题:纯电动轿车对比燃油轿车真的更环保吗?为什么? 希望答案不是简单的Yes或No,要说明为什么。 这是个软性的题目,但深入思考的话,需要涉及很多基本技术概念,而能够解答好这样的题目,对应答者的综合素质要求可不低。事实上,我面试员工时就喜欢出软性题目,我不看最终答案的对错,这不重要,有时甚至根本就没有对错,但可以从回答中更全面的了解应聘者的综合...
chunyang
综合技术交流
IAR 开发环境下的.map文件解析
map文件(内存映射文件)在日常项目开发中有些工程师可能不太关注它,但是等你了解了map文件,会让你在开发和调试的过程中事半功倍。为了具体化问题,这里以IAR EWARM和STM32F107为例来深入地分析一个map文件。 首先,要在工程设置选项中勾选生成map文件,默认设置是不生成map文件的,我们需要手动设置一下。如下图: 之后每次编译会在在“工程目录\Debu...
MamoYU
综合技术交流
用户评论
暂时无评论
推荐视频
更多
原子教你玩STM32
Labview程序设计基础与提高
Deep Learning Theory(台大李宏毅,中文)
手术机器人竟能缝合葡萄皮
一周搞定系列之数电
手把手教你用Arduino+游戏手柄+电机驱动控制步进电机
Stellaris LaunchPad入门讲座(二)
Digi-Key 与 DFRobot 的 maker 作品: 重力感应游戏机 DIY
单片机原理及应用 哈工大
太阳系新纪录:德机器人0.887秒解开魔方
相关下载
更多
机器人学:运动学、动力学与控制
Verilog HDL数字设计与综合(第二版)
实例解读51单片机完全学习与应用.pdf
Head First Design Patterns(中文扫描版).pdf
180篇发烧功放制作学习资料-28.3M-pdf.zip
6*6mm四脚贴片按键PCB封装
Design Criteria for Low Distortion in Feedback Opamp Circuits
Phase-Locked Loops Design, Simulation, and Applications, Sixth Ed.pdf
C语言课程设计案例精编.第三版 吴启武
Digital Integrated Circuits A Design Perspective - Jan M.Rabaey 的答案
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