机器学习-嵌入式视频-单片机培训-视频教程-EEWORLD大学堂

机器学习从零到一

机器视觉神经网络机器学习

你将了解到机器学习是编程的一个新领域。用传统的编程语言，比如Java或C++，去编写一个程序，是需要使用明确的规则的。而机器学习则可以通过训练数据来推理出这些规则。但机器学习究竟是什么样子的呢？在第一集的系列视频里，费颖会用一个简单的示例代码去构建一个机器学习模型，介绍一些基础概念，而我们会在之后的视频中应用这些概念去解决一个更有意思的问题：计算机视觉。

共4课时29分38秒

大数据机器学习（袁春）

机器学习贝叶斯大数据

《大数据机器学习》课程是面向信息学科的高年级本科生或研究生开设的基础理论课，目的是培养学生深入理解大数据机器学习理论基础，牢固掌握大数据机器学习方法，并能够解决实际问题等综合能力。课程的主要内容包括：统计学习基本理论，机器学习基本方法，深度学习理论和方法。

共113课时15小时39分33秒

「嵌入式人工智能」- 中文聊天机器人开发

单片机机器人Python嵌入式

人工智能是当今最火热的技术，各大厂家都想做出自己的人工智能产品，但人工智能的入门门槛很高，要想快速的做人工智能产品并不容易，这门课给大家介绍一款开源的机器人语言识别框架，可以让大家快速的实现自己的人工智能产品，实现语音识别，语义理解，语音输出，等自定义功能。

共15课时3小时1分6秒

机器学习基础：案例研究（华盛顿大学）

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。

共116课时8小时3分27秒

Generative Adversarial Network (GAN)

在本视频中，您将跟随Loren Shure快速入门机器学习算法，并了解三种类型的机器学习（聚类，分类和回归）：聚类——将一组事物分成具有不同属性的组；分类——用于图像中的对象检测，预测性维护和垃圾邮件检测等应用程序；回归——用于构建模型，以预测给定其他功能的连续体的响应。本视频用简单易懂的方法讲解机器学习算法中的线性回归、邻近算法（K-NN）、k均值聚类算法（k-means）、支持向量机（SVM）、判别分析、决策树（Decision Tree）

共7课时15分42秒

Hinton机器学习与神经网络

神经网络机器学习反向传播

Hinton 教授的这门课程是一门必修课。对所有人，包括初学者和专家都将受益于 Hinton 的观点和思想的广度。

共75课时12小时4分17秒

AM57X 平台特点和典型应用

TI应用处理器机器学习

AM57X 适用于高性能场景，是TI针对工业领域推出的带有机器学习加速器的处理器芯片。本研讨会将要讨论AM57X的关键特征和机器学习等应用。 1、AM57x概述， 2、关键外设，3、系统构架，4、家族产品， 5、软件，6、开发板，7、机器学习应用， 8、工业应用总览

共2课时53分38秒

深度学习与计算机视觉斯坦福李飞飞

机器视觉神经网络机器学习ML

随着搜索应用程序，图像识别、App应用、成像、医学、无人机和无人驾驶汽车，计算机视觉在我们的社会中已经变得无处不在。许多这样的应用程序，比如：图片分类、定位和检测的核心功能任务都是视觉识别技术完成的。最新发现的神经网络方法（又名“深度学习”），极大地提升了视觉识别系统的先进性能。

共37课时20小时8分36秒

统计机器学习

机器学习统计概率

统计学习是关于计算机基于数据构建的概率统计模型并运用模型对数据进行预测和分析的一门科学，统计学习也成为统计机器学习。

共41课时1天47分24秒

机器学习（台大李宏毅）

神经网络机器学习有监督无监督

深受好评的台大李宏毅老师讲述的机器学习课程，该课程也是此类教程中非常难得使用中文授课的一门，外语不好的小伙伴儿们有福啦。课程以深度学习为主轴，强调实战性。除了基础知识和算法的讲解，还包含各种相关前沿技术的解读，课程中涉及到的项目都非常新，与时俱进。李老师讲课注重对基本原理的深入浅出，风趣幽默，举重若轻，常常引用动漫形象进行原理的类比解说，实在是机器学习教程里的一股清流哇~

共35课时1天3小时17分6秒

研讨会：高性能 i.MX RT 处理器助力智能节点无需联网实现机器学习

NXP处理器人工智能恩智浦

机器学习技术是实现人工智能的首选方案。此次研讨会中，我们介绍恩智浦 i.MX RT 跨界处理器支持机器学习的多项优势，这些优势使得在节点本地引入机器学习变得顺理成章和游刃有余。随后，基于物体识别和关键词检测的实例，我们还将在本次研讨会中展示在 i.MX RT 上部署和运行机器学习模型的全过程，以及机器学习模块与系统整体的集成。

共2课时35分0秒

机器学习导论

机器学习上海交大张志华

机器学习的目标是对计算机编程，以便使用样本数据或以往的经验来解决给定的问题。已经有许多机器学习的成功应用，包括分析以往销售数据来预测客户行为，人脸识别或语音识别，优化机器人行为以便使用最少的资源来完成任务，以及从生物信息数据中提取知识的各种系统。为了对机器学习问题和解进行统一的论述，《机器学习导论》讨论了机器学习在统计学、模式识别、神经网络。人工智能、信号处理、控制和数据挖掘等不同领域的应用。

共42课时1天4小时6分25秒

机器学习贝尔实验室黄大威

机器学习聚类有监督无监督

机器学习是研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

共46课时15小时18分45秒

机器学习吴恩达

机器学习MLmachine 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。

共113课时19小时28分58秒

机器学习基石

机器学习林轩田

介绍各领域中的机器学习使用者都应该知道的基础算法、理论及实用工具

共65课时15小时29分53秒

机器学习技法

机器学习林轩田

线性支持向量机、对偶支持向量机、核型支持向量机、软式支持向量机、核逻辑回归、支持向量回归

共65课时16小时4分32秒

机器学习深入研究

神经网络机器学习贝叶斯聚类

(01)机器学习与相关数学初步 (02)数理统计与参数估计 (03)矩阵分析与应用 (04)凸优化初步 (05)回归分析与工程应用 (06)特征工程 (07)工作流程与模型调优 (08)最大熵模型与EM算法 (09)推荐系统与应用 (10)聚类算法与应用 (11)决策树随机森林和adaboost (12)SVM (13)贝叶斯方法 (14)主题模型 (15)贝叶斯推理采样与变分 (16)人工神经网络 (17)卷积神经网络 (18)循环神经网络与LSTM (19)Caffe&Tensor Flow&MxNet 简介 (20)贝叶斯网络和HMM (额外补充)词嵌入word embedding

共21课时1天22小时12分36秒