|
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
/
Hinton机器学习与神经网络
/
Learning the weights of a linear neuron
本课程为精品课,您可以登录eeworld继续观看:
Learning the weights of a linear neuron
登录
播放列表
课程目录
课程笔记
课时1:Why do we need machine learning
课时2:What are neural networks
课时3:Some simple models of neurons
课时4: A simple example of learning
课时5:Three types of learning
课时6:An overview of the main types of network architecture
课时7:Perceptrons
课时8:A geometrical view of perceptrons
课时9:Why the learning works
课时10:What perceptrons can not do
课时11:Learning the weights of a linear neuron
课时12:The error surface for a linear neuron
课时13:Learning the weights of a logistic output neuron
课时14:The backpropagation algorithm
课时15:How to use the derivatives computed by the backpropagation algorithm
课时16:Learning to predict the next word
课时17:A brief diversion into cognitive science
课时18:Another diversion_The softmax output function
课时19:Neuro-probabilistic language models
课时20:ways to deal with large number of possible outputs
课时21:Why object recognition is difficult
课时22:Ways to achieve viewpoint invariance
课时23:Convolutional neural networks for hand-written digit recognition
课时24:Convolutional neural networks for object recognition
课时25:Overview of mini-batch gradient descent
课时26:A bag of tricks for mini-batch descent
课时27:The momentum method
课时28:A separate, adaptive learning rate for each connection
课时29:rmsprop_divide the gradient
课时30:Modeling sequences_brief overview
课时31:Training RNNs with backpropagation
课时32:A toy example of training an RNN
课时33:Why it is difficul to train an RNN
课时34:Long term short term memory
课时35:Modeling character strings with multiplicative connections
课时36:Learning to predict the next character using HF
课时37:Echo state networks
课时38:Overview of ways to improve generalization
课时39:Limiting size of the weights
课时40:Using noise as a regularizer
课时41:Introduction to the bayesian approach
课时42:The bayesian interpretation of weight decay
课时43:MacKays quick and dirty method of fixing weight costs
课时44:Why it helps to combine models
课时45:Mixtures of experts
课时46:The idea of full bayesian learning
课时47:Making full bayesian learning practical
课时48:Dropout an efficient way to combine neural nets
课时49:Hopfield Nets
课时50:Dealing with spurious minima in hopfield nets
课时51:Hopfields Nets with hidden units
课时52:Using stochastic units to improve search
课时53:How a boltzmann machine models data
课时54:The boltzmann machine learning algorithm
课时55:More efficient ways to get the statistics
课时56:Restricted boltzmann machines
课时57:An example of contrastive divergence learning
课时58:RBMs for collaborative filtering
课时59:The ups and downs of backpropagation
课时60:Belief nets
课时61:The wake-sleep algorithm
课时62:Learning layers of features by stacking RBMs
课时63:Discriminative fine-tuning for DBNs
课时64:What happens during discriminative fine-tuning
课时65:Modeling real-valued data with an RBM
课时66:RBMs are infinite sigmoid belief nets
课时67:From principal components analysis to autoencoders
课时68:Deep Autoencoders
课时69:Deep autoencoders for document retrieval and visualization
课时70:Semantic hashing
课时71:Learning binary codes for image retrieval
课时72:Shallow autoencoders for pre-training
课时73:Learning a joint model of images and captions
课时74:Hierarchical coordinate frames
课时75:Bayesian optimization of neural network hyperparameters
时长:11分55秒
日期:2019/04/09
收藏视频
上传者:木犯001号
去评论
课程介绍
相关标签:
神经网络
机器学习
反向传播
机器学习祖师爷之一Geoffrey Hinton大神于2012年主讲录制。课程内容以深刻睿智,鞭辟入里见长。课程深入介绍了Machine Learning中的神经网络的方法,人工神经网络在语音识别和物体识别、图像分割、建模语言和人类运动等过程中的应用,及其在机器学习中发挥的作用。
显示全部 ↓
推荐视频
用户评论
木犯001号
课程ppt下载地址 https://download.eeworld.com.cn/detail/%E6%9C%A8%E7%8A%AF001%E5%8F%B7/598715
2019年04月04日 13:59:16
回复
|
顶
()
猜您喜欢
推荐帖子
如何将大学堂视频分享到朋友圈
选择分享按钮选择微信图标打开手机微信你扫一扫手机进入播放页,点击右上角...选择分享到朋友圈
EE大学堂
大学堂专版
Linux 红帽的系统,添加中文字库
大家帮忙看一下,在系统里面英文是可以支持的,中午汉字不支持,求高人指点一下!
37°男人
嵌入式系统
大家有没有DIY一套,在自家里使用的无线灯光控制啊?
大家有没有DIY一套,在自家里使用的无线灯光控制啊?可以控制不同房间的灯ON,OFF
蓝雨夜
聊聊、笑笑、闹闹
DSP烧录到Flash中去了,仿真可运行,拔掉仿真器,开电重启不能运行
DSP烧录到Flash中去了,仿真可运行,不掉电拔掉仿真器可运行,但是断电重启,不能运行,这时候只要把仿真器(connect)连接起来,程式运行。求解???????????????
kai182
微控制器 MCU
求助!!!!!!有谁能共享一些瑞萨的程序啊
[i=s] 本帖最后由 paulhyde 于 2014-9-15 03:22 编辑 [/i]瑞萨从零学起,什么程序都没有啊。。。。。。。。。。求共享:Cry: :Cry: :Cry:
310069704
电子竞赛
电路是如何记忆数据的?
哪位高人知道记忆电路的原理,具有记忆功能的电路有哪些?看什么书可以找到答案?
hhhh512mail
TI技术论坛
推荐内容
热门视频
更多
开源项目推荐
更多
使用 Analog Devices 的 LTC1261CS 的参考设计
超迷你Arduino
油液污染度颗粒检测板(二)-传感器信号板
ADR3450 5V 输出微功率、高精度电压基准的典型应用
AI红外语音助手
使用 ROHM Semiconductor 的 BA15BC0WT-V5 的参考设计
L7809A 大电流稳压器的典型应用
具有 6V 输入 UVLO 的 LTC3633IUFD 3.3V/1.8V 顺序稳压器的典型应用电路
Cree XLamp 高 CRI (XM-L2 20-W) MR16 参考设计
【物联网】鸿蒙物联网智能WIFI开关+4219105A
热门文章
更多
气体检测仪的报警值设置多少比较好?
大联大诠鼎集团推出基于NOVATEK产品的高清监控录影DVR方案
一加10 Pro手机在京东等开启预约
Pixelworks逐点半导体视觉显示技术赋能OPPO首款可折叠手机Find N
东芝推出20Ah-HP SCiB可充电锂离子电池 可兼备高能量和高功率
S3C2440裸机实验(4) -----IIC
全球动力电池市场大变样
采用FAT16文件系统的嵌入式温度记录器
电路图
英飞凌650 V CoolSiC™ MOSFET系列解析
30至50℃温控电路
智能控制模块控制端口接线
高精度无触点温控电路之三
采用555时基集成电路的恒温控制电路之二
STK457功率放大器电路图
标牌指示器电路
单芯片音频功率放大器
HT-1380电路
天亮呼唤器电路
纯电阻串联负反馈电路
环宇MWH-I多功能全方位报警器电路触发部分电路
三相测试器电路图
散热系统的等效电路
G607型圆锯床电气原理图
采用集成电路的直流电动机脉冲宽度调速电路
晶体控制超再生接收机
心率监视器
家用气体报警器
500W家用交流调压器
可听式光探测器电路
声控玩具狗电路图
串并联组合稳压电路
TA7270P功放电路
555脉冲调宽式开关电源电路
555小型畜、禽舍恒温控制电路
LJMl871(电子玩具和模型车辆)无线电遥控发射编码电路
热释电红外监测电路
DZW75-48/50(50II)输入电路
可能感兴趣器件
301-026-02H-P32-B10
QS32XL384Q1G
3150-1-220-01
-TDK-B65933A0000X022
464-EG12H-NW0
TV06RW-11-35AE
GUS-SS8BLF-03-7680-JG
MRC1/21003R32GLF
MTSW-113-09-T-D-530
MCOCXOV-CR1D10.01MHZ
ESMH160VSN123MP30T
RSF2FT2R15
77311-8AFC35LF
76010T-19B-35PC
AW229-20-G
CY7C1528KV18-333BZI
200.117K4BAR
SE-K200M33B5S31325
LP24-18-50.0M-20G3JJ
D-SUB-205AF23KBZBB123
SL3-099-S117/01-98
GUS-SL8BLF-00-1690-D
MFR25SDTE72120K
SF08T2430AALQ
IPBS-106-H1-T-D-GP
RCWP030242R7DMET1C
LR2010-R02GPB
CFW2-2418D/1/0
AX4R7M50CF313X22
PNM2512H2000DBT1
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 © 2005-2023 EEWORLD.com.cn, Inc. All rights reserved
用户评论