|
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
/
机器学习基础：案例研究（华盛顿大学）
/
querying-the-nearest-neighbors-model-to-retrieve-images
播放列表
课程目录
课程笔记
课时1：welcome-to-this-course-and-specialization
课时2：who-we-are
课时3：machine-learning-is-changing-the-world
课时4：why-a-case-study-approach
课时5：specialization-overview
课时6：how-we-got-into-ml
课时7：who-is-this-specialization-for
课时8：what-you-ll-be-able-to-do
课时9：the-capstone-and-an-example-intelligent-application
课时10：the-future-of-intelligent-applications
课时11：starting-an-ipython-notebook
课时12：creating-variables-in-python
课时13：conditional-statements-and-loops-in-python
课时14：creating-functions-and-lambdas-in-python
课时15：starting-graphlab-create-loading-an-sframe
课时16：canvas-for-data-visualization
课时17：interacting-with-columns-of-an-sframe
课时18：using-apply-for-data-transformation
课时19：predicting-house-prices-a-case-study-in-regression
课时20：what-is-the-goal-and-how-might-you-naively-address-it
课时21：linear-regression-a-model-based-approach
课时22：adding-higher-order-effects
课时23：evaluating-overfitting-via-training-test-split
课时24：training-test-curves
课时25：adding-other-features
课时26：other-regression-examples
课时27：regression-ml-block-diagram
课时28：loading-exploring-house-sale-data
课时29：splitting-the-data-into-training-and-test-sets
课时30：learning-a-simple-regression-model-to-predict-house-prices-from-house-size
课时31：evaluating-error-rmse-of-the-simple-model
课时32：visualizing-predictions-of-simple-model-with-matplotlib
课时33：inspecting-the-model-coefficients-learned
课时34：exploring-other-features-of-the-data
课时35：learning-a-model-to-predict-house-prices-from-more-features
课时36：applying-learned-models-to-predict-price-of-an-average-house
课时37：applying-learned-models-to-predict-price-of-two-fancy-houses
课时38：analyzing-the-sentiment-of-reviews-a-case-study-in-classification
课时39：what-is-an-intelligent-restaurant-review-system
课时40：examples-of-classification-tasks
课时41：linear-classifiers
课时42：decision-boundaries
课时43：training-and-evaluating-a-classifier
课时44：whats-a-good-accuracy
课时45：false-positives-false-negatives-and-confusion-matrices
课时46：learning-curves
课时47：class-probabilities
课时48：classification-ml-block-diagram
课时49：loading-exploring-product-review-data
课时50：creating-the-word-count-vector
课时51：exploring-the-most-popular-product
课时52：defining-which-reviews-have-positive-or-negative-sentiment
课时53：training-a-sentiment-classifier
课时54：evaluating-a-classifier-the-roc-curve
课时55：applying-model-to-find-most-positive-negative-reviews-for-a-product
课时56：exploring-the-most-positive-negative-aspects-of-a-product
课时57：document-retrieval-a-case-study-in-clustering-and-measuring-similarity
课时58：what-is-the-document-retrieval-task
课时59：word-count-representation-for-measuring-similarity
课时60：prioritizing-important-words-with-tf-idf
课时61：calculating-tf-idf-vectors
课时62：retrieving-similar-documents-using-nearest-neighbor-search
课时63：clustering-documents-task-overview
课时64：clustering-documents-an-unsupervised-learning-task
课时65：k-means-a-clustering-algorithm
课时66：other-examples-of-clustering
课时67：clustering-and-similarity-ml-block-diagram
课时68：loading-exploring-wikipedia-data
课时69：exploring-word-counts
课时70：computing-exploring-tf-idfs
课时71：computing-distances-between-wikipedia-articles
课时72：building-exploring-a-nearest-neighbors-model-for-wikipedia-articles
课时73：examples-of-document-retrieval-in-action
课时74：recommender-systems-overview
课时75：where-we-see-recommender-systems-in-action
课时76：building-a-recommender-system-via-classification
课时77：collaborative-filtering-people-who-bought-this-also-bought
课时78：effect-of-popular-items
课时79：normalizing-co-occurrence-matrices-and-leveraging-purchase-histories
课时80：the-matrix-completion-task
课时81：recommendations-from-known-user-item-features
课时82：predictions-in-matrix-form
课时83：discovering-hidden-structure-by-matrix-factorization
课时84：bringing-it-all-together-featurized-matrix-factorization
课时85：a-performance-metric-for-recommender-systems
课时86：optimal-recommenders
课时87：precision-recall-curves
课时88：recommender-systems-ml-block-diagram
课时89：loading-and-exploring-song-data
课时90：creating-evaluating-a-popularity-based-song-recommender
课时91：creating-evaluating-a-personalized-song-recommender
课时92：searching-for-images-a-case-study-in-deep-learning
课时93：what-is-a-visual-product-recommender
课时94：using-precision-recall-to-compare-recommender-models
课时95：application-of-deep-learning-to-computer-vision
课时96：deep-learning-performance
课时97：demo-of-deep-learning-model-on-imagenet-data
课时98：other-examples-of-deep-learning-in-computer-vision
课时99：challenges-of-deep-learning
课时100：deep-features
课时101：deep-learning-ml-block-diagram
课时102：loading-image-data
课时103：training-evaluating-a-classifier-using-raw-image-pixels
课时104：training-evaluating-a-classifier-using-deep-features
课时105：loading-image-data
课时106：creating-a-nearest-neighbors-model-for-image-retrieval
课时107：querying-the-nearest-neighbors-model-to-retrieve-images
课时108：querying-for-the-most-similar-images-for-car-image
课时109：displaying-other-example-image-retrievals-with-a-python-lambda
课时110：you-ve-made-it
课时111：deploying-an-ml-service
课时112：what-happens-after-deployment
课时113：open-challenges-in-ml
课时114：where-is-ml-going
课时115：whats-ahead-in-the-specialization
课时116：thank-you
时长：5分42秒
日期：2019/09/28
收藏视频
分享
上传者：抛砖引玉
去评论
课程介绍
相关标签：
机器学习
ML
在本课程中，您将从一系列实用的案例研究中获得有关机器学习的动手经验。 在第一门课程的最后，您将研究如何基于房屋特征预测房价，从用户评论中分析情绪，检索感兴趣的文档，推荐产品以及搜索图像。 通过使用这些用例的动手实践，您将能够在广泛的领域中应用机器学习方法。
显示全部 ↓
换一批
猜你喜欢
MCP16321/2/3 1A/2A/3A同步降压转换器
研讨会：Xilinx &Avnet 专注嵌入式视觉应用，助力AI和辅助驾驶
直播回放: 清洁水源的守护 - ADI 水质监测方案
有源RFID的常见应用
ARM最新处理器Cortex体系结构与接口编程
TI 2016 电机驱动线上研讨会
[DEMO] 基于Thread的 [观赏鱼自动无线喂食系统]
TI EV/HEV 48V 及电机驱动解决方案
用树莓派和Python开发机器人教程
直播回放：自动驾驶与人工智能的起点——毫米波雷达与3D ToF 解决方案
推荐帖子
【转帖】元器件科普之电感
电感器(Inductor)是能够把电能转化为磁能而存储起来的元件，具有阻止交流电通过而让直流电顺利通过的特性，频率越高，线圈阻抗越大。电感器电感量的大小，主要取决于线圈的圈数(匝数)、绕制方式、有无磁心及磁心的材料等。而电感是闭合回路的一种属性，即当通过闭合回路的电流改变时，会出现电动势来抵抗电流的改变。1、具体电感的定义 电感是导线内通过交流电流时，在导线的内部及其周围产生交变磁通，导线的磁通...
皇华Ameya360
综合技术交流
下载Pomona连接件产品目录，赢小米驱蚊器！
Pomona 是我们熟悉的福禄克（FLUKE）旗下公司，60多年来，Pomona 一向是可靠性和卓越价值的代名词。Pomona 始终坚持只使用最优质的材料，并根据现实应用量身打造，从而提供高品质的产品，由此建立了极好的声誉。 为满足电子工程师和技术人员实现设备之间可靠传输电子信号的要求，Pomona提供丰富的高品质、高精度连接器、适配器和电缆，以及丰富的精密产...
eric_wang
综合技术交流
EEWORLD大学堂----直播回放 : Microchip 通过 TrustFlex 安全元件和 Microsoft Azure 实现安全身份验证
直播回放 : Microchip 通过 TrustFlex 安全元件和 Microsoft Azure 实现安全身份验证：http://training.eeworld.com.cn/course/5669...
hi5
综合技术交流
求M16与光强传感器TSL2561，怎么去设置读写地址
写M16与光强传感器TSL2561的程序，该怎么去设置TSL2561的读写地址（TSL2561_WR，TSL2561_RD）我看有用51的程序是自己设置的，不知道在m16上怎么设置，下面是TSL2561资料上的程序，不知道怎么去设置TSL2561_WR，TSL2561_RD的地址，求指教 void TSL2561_write( unsigned char addr, unsigned char ...
guowj513
综合技术交流
用户评论
暂时无评论
推荐视频
更多
90后中国小伙黑科技：成本1元的触控纸
嵌入式系统及应用 电子科大 罗蕾
【IEEE推荐】形变液态金属天线
Digi-Key 与 DFRobot 的 maker 作品: 履带车
随机信号处理 国防科大
Altera2012亚洲创新设计大赛CN099视频介绍-01
开源力量 linux内核源码研读与实战演练
MPLAB Xpress软件简介和入门
Labview中学生零起步学习视频
降压式转换器（英文字幕）
相关下载
更多
模拟电子技术基础（西安电子科技大学出版社+2001）
电工基础和模拟电路基础
MB85RS16驱动程序
数字逻辑基础与Verilog设计（原书第2版）.pdf
电动汽车交流充电桩的设计与研究(20170712080946)
MATLAB智能算法30个案例分析
Gabriel Rincon-Mora - Analog IC Design with Low-Dropout Regulators (LDOs) (Elect
全国大学电子设计大赛 智能小车
模拟与数字电子电路基础 [AnantAgarwal编著][清华大学出版社][2008.08][654页][12071762](2)
《CADENCE电路设计案例精解》.pdf
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
京公海网安备110108001534
Copyright © 2005-2020 EEWORLD.com.cn, Inc. All rights reserved
综合技术交流
用户评论