|
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
/
Map Reduce and Data Parallelism
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:14分8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
什么是静电放电(ESD)?
Atmel软件框架(ASF)入门(上)
自动控制理论实验 北京理工大学
汽车驾驶行为监测系统
电源设计小贴士52:改造墙式电源
python3视频教程
物联网概论
CES 2015: Atmel参与丶见闻丶互联
村田RFID产品介绍
SimpleLink™Wi-Fi®CC3220定时器框架
推荐帖子
求一个控制方案
门啊,自动控制,多了去! 可惜我的这个门是一个小门,30cm*50cm的门。 要求是要实现自动打开,自动关闭的功能, 上网搜索全是那种大门的控制,哎 各位大神支个招,怎么解决, 本人希望用单片机作为主控,stc,msp430,stm系列的都可以, 郁闷。。。。。。。。。 ...
ywlzh
综合技术交流
EEWORLD大学堂----直播回放: TI 毫米波雷达在工业上的应用
直播回放: TI 毫米波雷达在工业上的应用:http://training.eeworld.com.cn/course/4692...
hi5
综合技术交流
EEWORLD大学堂----变形金刚神马的弱爆了,技术宅的逆天
变形金刚神马的弱爆了,技术宅的逆天:http://training.eeworld.com.cn/course/2573变形金刚神马的弱爆了,技术宅的逆天...
EE资深网友
综合技术交流
针对反向连接、浪涌钳位以及反向电流保护进行防御
如今的普通工作人员常常身兼装配工和安装工两种工作,这就意味着您的设计(无论好坏)需要简单易用,并需要良好的保护。平心而论,所有技术就摆在那里,而我们大多数人却对技术细节一点都不熟悉。这就是说,我们要继续装配我们的最新环绕音响系统、家庭办公网络,甚至在我们钟爱的汽车中装配最新的信息娱乐系统。在这方面与对功率密度、效率、精确度及小型化等不断增长的需求之间,电源保护向导非常繁忙。在过去几年里,我目睹了电...
wstt
综合技术交流
用户评论
暂时无评论
推荐视频
更多
How To Read an Academic Paper
是德科技示波器基础测试系列
基于ZynqArtix-7的GigE机器视觉方案
PMSM控制技术:带传感器VS传感器 - 电机控制电子实验室总8
英式树莓派中级教程
单片机原理及应用 哈工大
数据采集技术第二讲:配置管理软件MAX
ST-EEWORLD线下网友见面会实录
聊天学Xilinx Vivado设计套件
Analysis,Design and Simulation of a Forward Converter(正激变换器分析设计与仿真)
相关下载
更多
基于ATmega8的便携式转速仪的研制
手机APP远程控制,智能家居监测、智能控制系统(STM32L4、服务器、安卓源码).zip
激光与物质的相互作用 双温方程算法 matlab源程序代码
波束形成中MVDR算法 matlab程序实现
张柏兴机器人与智能制造
mp4-SIO:IEC14496-12
Matlab 模型:SERDES, ADC, PLL等
High speed serdes devices and applications
Analog Circuit Design:A Tutorial Guide to Applications and Solutions
MATLAB案例28 灰色神经网络的预测算法—订单需求预测.rar
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