|
首页
|
电子技术
|
电子应用
|
电子头条
|
社区
|
论坛
测评
博客
电子技术视频
|
下载
|
电路图
|
参考设计
|
Datasheet
|
活动
|
直播
|
datasheet
datasheet
文章
搜索
中文
En
|
首页
|
电子技术
|
电子产品应用
|
电子头条
|
论坛
|
大学堂
|
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
首页
课程
TI培训
直播频道
专题
相关活动
其他资源
下载中心
电路图
参考设计
您的位置:
EEWORLD大学堂
/
机器学习/算法
/
机器学习 吴恩达
/
Choosing the Number of Principal Components
本课程为精品课,您可以登录eeworld继续观看:
Choosing the Number of Principal Components
登录
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:10分30秒
日期:2018/05/02
收藏视频
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 ↓
推荐视频
用户评论
暂时无评论
猜您喜欢
推荐帖子
EEWORLD大学堂----直播回放: TI DLP? 产品赋能工业光控领域与创新
直播回放: TI DLP? 产品赋能工业光控领域与创新:https://training.eeworld.com.cn/course/5770
hi5
综合技术交流
求单片机前辈,来指点小弟一二!
color=#FF0000]/*----------------------------下面是我想了解的正确键盘扫描程序----------------*/[/color]#include#include#include"ch451.h"//[color=#FFFF00]这个头文件在下面跟着附带[/color]LEDDisplay(char MODE,uint data1){uint i;void
空中楼阁
嵌入式系统
电子组件立体封装技术(中)
[b]应用领域[/b][color=#ff0000]磁器传感器与加速传感器的应用[/color]图5是利用整合成形立体基板(MID)封装的磁器传感器与加速传感器应用范例,如图5(a)所示传统印刷布线基板封装的场合,预定检测的马达位置几乎不在容易检测的位置上,因此设计上必要利用辅助基板,将检测物封装、固定在最佳感度可以检测的位置、角度上。然而传感器依照此状态封装,辅助基板与主基板作电气性连接,必需使
咖啡不加糖
PCB设计
上传图片,有时显示“无效的图片文件”
1、首先看看自己上传的文件是否在论坛允许的范围:2、IE的安全设置更改了,只需按以下方法即可解决此问题解决方案如下:进入IE的设置选项—点安全 -再点自定义级别,在弹出的窗口中将滚动条往下拉,找到其他类,找到"将文件上载到服务器时包含本地目录路径" ,设置为"启用",然后点确定就OK了。
soso
为我们提建议&公告
DIY直流供电逆变节能灯
DIY直流供电逆变节能灯目的:1. 学习掌握一般升压逆变器的基本工作原理;2. 学习推挽升压变压器的设计计算与绕制方法;3. 学习MOS管的驱动原理与IC直驱MOS管的注意事项;4. 学习认识升压变压器升压比(匝比)与效率的关系;5. 为以后学习设计制做大功率逆变器打基础;6. 通过DIY提高自己的动手能力;7. 获得一个实用的直流供电逆变节能灯,适合野外或室内应急使用;8. ..........
qwqwqw2088
DIY/开源硬件专区
求购STM8仿真器
求购闲置STM8仿真器一个,联系方式QQ787687544
MrKingMCU
淘e淘
推荐文章
迎接工业革命浪潮:重塑传统系统,迎接未来机遇
2025年05月28日
过去几十年来,工业自动化的发展经历了一系列变革,并取得了长足的进步。这些技术创新正在推动工业 4.0 的实现,甚至在向工业 5.0 迈进。这一转变集中体现在智能技术、数据分析和人机协作等领域,对现有工业体系构成了众多挑战。改造传统系统,拥抱现代技术,是企业保持竞争力的关键步骤。 本文旨在探讨工业设计工程师和系统集成商在此过程中所面临的挑战,并推荐众多技术解决方案来克服这些障碍...
智聚边缘 创见未来 贸泽电子2025技术创新论坛探讨“边缘AI与机器学习”新纪元
2025年05月22日
2025年5月22日 – 提供超丰富半导体和电子元器件™的业界知名新品引入 (NPI) 代理商贸泽电子 (Mouser Electronics)宣布将于5月28-20日举办2025贸泽电子技术创新论坛首场活动。 本期论坛将深度聚焦“边缘AI与机器学习”,云集Analog Devices, Amphenol, NXP, Silicon Labs, VICOR等业界知名厂商及产学...
工业信号调节器的故障诊断:基于机器学习的预测性维护
2025年04月21日
工业信号调节器作为工业自动化系统的核心组件,其稳定运行直接影响生产线的效率与安全性。传统故障诊断方法依赖人工经验与定期维护,存在响应滞后、成本高昂等问题。本文提出基于机器学习的预测性维护框架,通过数据采集、特征提取、模型训练与实时监测,实现工业信号调节器的故障精准预测,为工业4.0时代的智能制造提供技术支撑。 一、工业信号调节器故障诊断的挑战与机遇 1.1 传统方法的局限...
传统机器学习方法和应用指导
2025年04月03日
在上一篇文章中,我们介绍了机器学习的关键概念术语。在本文中,我们会介绍传统机器学习的基础知识和多种算法特征,供各位老师选择。 01 传统机器学习 传统机器学习,一般指不基于神经网络的算法,适合用于开发生物学数据的机器学习方法。尽管深度学习(一般指神经网络算法)是一个强大的工具,目前也非常流行,但它的应用领域仍然有限。与深度学习相比,传统方法在给定问题上的开发和测试速度更快...
推荐内容
热门视频
更多
How To Track Down Common Mode Noise如何跟踪共模噪声
LDO(Low Dropout Linear Regulator) 低压差线性稳压器
马斯克再次改写历史,Space X“重型猎鹰”运载火箭首飞成功,将跑车送上天
SpaceX“重型猎鹰”运载火箭全新概念片
通过CC2640R2F实现蓝牙串口数据透传
LABVIEW 2010 虚拟仪器从入门到精通
Labview程序设计基础与提高
LabView实用技巧系列视频
精通LabVIEW虚拟仪器程序设计
Arduino和树莓派之间的比较
开源项目推荐
更多
智能小车(超声波,蓝牙,红外)
用于恒流吸收器的 TL431 可编程精密基准的典型应用
NR130_SERIES_AN,高电流线 NR130 系列应用笔记
具有错误标志/上电复位功能的 Si9181 微功率 350mA CMOS 固定输出 LDO 稳压器的典型应用
EPR-68 - 6.6W直流-直流反激式转换器
LTC4009CUF-2 演示板、高效、多化学成分 QFN 电池充电器
ST1S15 500mA、6MHz同步降压转换器典型应用原理图
使用 Semtech 的 SC2422A 的参考设计
L6565 初级反馈回路配置的典型应用
SPX1431 精密可调并联稳压器的典型应用电路
热门文章
更多
交直流分压器测试原理
STM8L 固件烧录加密流程
上汽通用五菱将推出“五菱芯片”
宏微科技:公司2020年IGBT自产模块产量307.77万只
英飞凌携手 MCI 为奥地利的学校提供空气质量检测传感器
STM8L151C8学习笔记1:LED驱动
wifi分析仪android 9,Wifi分析仪(无线信号检测)
如何使用Arduino和AD9833构建信号发生器
一个简单的手机电池充电器电路
电路图
Maxim推高性能模拟IC,你了解吗?
线圈短路测试仪
用于灯或者其他应用的遥控电路
针对数字光投影仪而优化的电源电路设计
电犁控制电路
智力竞赛抢答器电路
暗房定时曝光电路之五
简易讯响器电路之一c
采用555时基集成电路的恒温控制电路之四
高品质立体声HI-FI组合放大器02
简单的AC/DC的指标电路图
适用低电压地区日光灯点燃电路
RTS5322(9音)电路
交流电源断电报警器电路图
自举升压式开关电源电路图
STK461音响IC电路图
电池充电器电路
动态LED显示驱动电路
数字脉搏计
红外自控电子灭鼠器电路
具有数字电路定时器的9V充电器
单键触摸开关电路
555线性音频频率计电路
亚超声遥控开关电路
1024位CCD驱动电路
MPC1000集成稳压器构成的5V、3A稳压电源电路
单相全波电阻负载整流电路
硬开关斩波电路中的IGBT的关断电压波形
电子管柴尔(ZELL)功放电路图
高保真无线立体声音箱电路图
可能感兴趣器件
TSM-104-02-S-SV-M
B37954K5104M062
2SK55RF
MS862C08
EMS22Q53-M20-LW2
2S1-MSP1-T1-B6-M2GE
TVPS00RF-25-19HC
SMBJ3EZ22D1E3
VJ0805Y183MXXPW1BC
FP-8998-05-1822-F
MLL4707C-1E3
74HCT7403D,518
VI-RU012-IVVV
1200RGF300822SB
51722-30508400ABLF
VCC1-F2O-62M500
VS-720-LFC-FBD-240.000
ATT-585F-20-HN0-07
SE-K25M680BPFV1019
1206N6R2B160NHWM
CRHV2010AF82M0KKF5
250ME2.2HPC
GP55S48-3281-DB50
SS8B-03-4K37-CG
BG020-19I-0250-0250-0508-P-B
PRA182C5-226RBLB
2002-37-BB-L
51720-10210808ABLF
PRC0805TTC520K+/-0.1%
EGA18HRMW
电子工程世界版权所有
京B2-20211791
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 © 2005-2025 EEWORLD.com.cn, Inc. All rights reserved
用户评论