|
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
/
Online Learning
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:12分50秒
日期:2018/05/06
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
嵌入式系统设计
星球大战的超萌机器人出世啦:BB-8!
Atmel_ 利用加密认证技术保护您的固件
电磁场与电磁波
直播回放: Microchip - 微处理器的安全引导
Atmel AVR XMEGA Xplained与Atmel Studio 6介绍
基于MCP6N11和MCP6V2X的惠斯通电桥的参考设计
LTM4620 100A 和 26A 的热性能
Symbian C++开发入门之概述
TINA-TI(TM)系列课程
推荐帖子
有没有用过AT45DB161D的
最近开始用TMS320F2812调试AT45DB161D,一个串行Flash芯片。英文资料没有看完,网上也有些中文的,看了两篇,程序也参考了别人的,大概在没用基本上明白了。但是就是读不出来数啊,状态寄存器的值读出来没准儿,除了忙标志位意外的值也在变,怀疑是根本就没有通上。往里面写的数不知道写进去没有,读Buffer基本上都是全FF。还有这个片子的页好像可以选512字节或者528字节,但是只看到如何...
jishuaihu
综合技术交流
EEWORLD大学堂----Introduction to Computer Vision
Introduction to Computer Vision:http://training.eeworld.com.cn/course/5183 本课程介绍计算机视觉,包括图像形成的基本原理、相机成像几何、特征检测和匹配、包括立体的多视图几何、运动估计和跟踪以及分类。课程将讲解相关应用程序的基本开发方法,包括在图像中查找已知模型、从立体图像中恢复深度、相机校准、图像稳定、自动对齐(例如全景)...
抛砖引玉
综合技术交流
变流器的问题
【1】电流型或者电压型PWM整流器中,经常会说到开关过程中的高频分量,或者低频分量既然变流器的功率开关管的工作频率是固定的,那么怎么在开关过程中还会分高频和低频分量呢? 【2】对PWM整流器进行分析,出现的电流矢量I,电压矢量V和电动势矢量E中,I和V都是指的和电网相接的电感L上的交流电流和电压吧?而E就是电网电压? 【3】还可以看到电网的基波频率,是不是指,电网电压是会有波动的,频率不是绝对...
shaorc
综合技术交流
坛友五一快乐,给大家带点乐子
前一段时间无聊的时候,拆了一台式电脑显示器,然而啥都看不懂,唯独惊讶希望与设计人员的精湛技术。下面附上暴力拆解后的“尸体”。希望能给大家带来点惊讶自感吧。 前天耍得无 全部图片都在上边了,欢迎大家在这里面找亮点,相互讨论。 ...
喵爱小鱼鱼
综合技术交流
用户评论
暂时无评论
推荐视频
更多
EDA技术与实验 哈工大 朱敏
2017第四届全国虚拟仪器大赛赛前培训
新唐 8051单片机教程
“我知道你在想什么”MIT发明的黑科技
树莓派实战指南
正点原子手把手教你学STM32-STemWin
【虚拟仪器大赛】医疗服务机器人
微处理器与嵌入式系统设计 电子科技大学
FreeRTOS源码详解(正点原子)
能听懂人话的音箱Google Home,智能家居新宝贝
相关下载
更多
UVM SystemVerilog学习白皮书绿皮书红皮书
统计学习方法(李航)
跟我一起动手学习S7-300 400 PLC(清晰版)
机器学习实践案例
STM32菜鸟学习手册一罗嗦版 307页 15.8M 超清书签版
张柏兴机器人与智能制造
Handbook of Industrial Robotics [Second Edition]
机器人控制系统的设计与MATLAB仿真
精通Visual.C++数字图像处理典型算法及实现(第2版)
基于FPGA的中型组机器人模型
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