|
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
|
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
/
机器学习基础:案例研究(华盛顿大学)
/
clustering-documents-an-unsupervised-learning-task
本课程为精品课,您可以登录eeworld继续观看:
clustering-documents-an-unsupervised-learning-task
登录
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:4分39秒
日期:2019/09/29
收藏视频
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 ↓
推荐视频
用户评论
暂时无评论
猜您喜欢
推荐帖子
飞思卡尔KL25EVK-V1开发板
[list][*][color=#000000][font=宋体][size=12pt]KL25EVK[/size][/font][font=宋体][size=12pt]评估板是中电器材自主设计,用于评估和开发飞思卡尔基于ARM Cortex-M0+内核的Kinetis L系列MCU的一套工具,集成了一系列USB,RS232,SPI,I2C,ADC,DAC,GPIO接口的外设。 [/size][/
louyj
淘e淘
问大家个问题
学了很多51单片机,懂一些AVR,现在想学ARM,用C语言的,请问用什么书啊,易懂一点的
BDLOOP
嵌入式系统
不知哪天就用到了
[i=s] 本帖最后由 paulhyde 于 2014-9-15 03:08 编辑 [/i]内附连接、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、
QSTNMZ
电子竞赛
FET430烧录工具烧录芯片时会出现无法下载
最近使用FET430烧录芯片时会出现无法下载(识别不了芯片,这种现象经常出现在多次更新固件之后),一直搞不懂什么原因,感觉芯片被锁了一样,不过如果换另外一个FET430烧录工具烧录芯片时那块芯片竟然又可以了,再使用之前无法使用的FET430烧录工具又可以使用了,不知道有人知道原因嘛?
wateras1
微控制器 MCU
请问standalone BSP上跑的是什么系统,谢谢!
请问在SDK内做Microblaze嵌入式软件开发时,standalone BSP上跑的是什么系统?支持单线程还是多线程?谢谢![[i] 本帖最后由 smeiyang 于 2011-9-3 17:07 编辑 [/i]]
smeiyang
FPGA/CPLD
ROM的定制
关于ROM的一些小资料
517596037
FPGA/CPLD
推荐文章
什么是非均匀数据重采样?哪种非均匀数据重采样方法更适合你?
2024年09月02日
在数据分析和机器学习领域,我们常常需要处理非均匀数据。非均匀数据是指具有不平衡分布或样本数量不均等的数据集。为了准确建模和预测,我们需要对这些非均匀数据进行重采样。本文将详细介绍什么是非均匀数据重采样以及如何应用不同的方法来解决这一问题。 一、什么是非均匀数据重采样? 非均匀数据重采样是一种数据处理技术,用于解决数据集中存在的类别不平衡或样本数量不均等的问题。在非均...
人人都能懂的算法原理
2024年08月06日
算法公式挺费神,机器学习太伤人。任何一个刚入门机器学习的人都会被复杂的公式和晦涩难懂的术语吓到。但其实,如果有通俗易懂的图解,理解机器学习的原理就会非常容易。本文整理了一篇博客文章的内容,读者可根据这些图理解看似高深的机器学习算法。 机器学习这个主题已经很普遍了,每个人都在谈论它,但很少有人能够透彻地了解它。当前网络上的一些机器学习文章晦涩难懂,理论性太强,或者通篇云里雾...
e络盟互动社区发起“关注智能技术”设计挑战赛
2024年06月24日
参赛者将通过这项AI驱动型挑战赛来探索FPGA机器学习 中国上海 - 2024年6月24日: 安富利旗下的 e络盟社区与AMD合作发起“关注智能技术”设计挑战赛。这项创新赛事邀请参赛者使用基于 AMD Zynq-7000TM SoC 器件的开发套件设计并构建嵌入式视觉项目。 嵌入式视觉越来越多地被集成到各种项目中,对技能组合、技术创新和产品开发产生了重大影响。AMD自...
机器学习模型类型分类
2024年05月09日
机器学习按照模型类型分为监督学习模型、无监督学习模型两大类。 1. 有监督学习 有监督学习通常是利用带有专家标注的标签的训练数据,学习一个从输入变量X到输入变量Y的函数映射。Y = f (X),训练数据通常是(n×x,y)的形式,其中n代表训练样本的大小,x和y分别是变量X和Y的样本值。 有监督学习可以被分为两类: 分类问题:预测某一样本所属的类别(离散的)。比如判断性...
推荐内容
热门视频
更多
Keil MDK 开发工具 Version 5 中的软件包和组件
对话ADI和世健 看工业市场发展的新机遇
2016 TI 工业研讨会:TI隔离式DCDC偏置电源的设计难点与解决方案
MSP432产品培训
无线电源101
SlimSensor技术消除显示屏噪声的影响
TI DLP LightCrafter DLP2000 EVM板介绍
模拟电路基础:从系统级到电路级
NFC 概述
TPS65086100: 多轨电源管理 IC 的用户编程
开源项目推荐
更多
AM2G-1215DZ ±15V 2 瓦 DC-DC 转换器的典型应用
MAXREFDES1050:采用降压控制器MAX17504的-15V / 1.5A降压-升压型DC-DC转换器
便携式吸烟仪(贴片版)
LTC1261LCMS8-4 低输出电压发生器的典型应用电路
典型应用显示 SEPIC 配置,具有准确的输入电流检测,以及 A8514 LED 驱动器的 VSENSE 接地保护
ADR423 超精密、低噪声、3.00 Vout XFET 电压基准作为精密升压输出稳压器的典型应用
具有关断功能的 LT1086CT-12 5V 稳压器的典型应用
LT3724、30V60V 至 24V 75W DC/DC 转换器,具有输入 UVLO 和全时使用的板载高压稳压器
#第八届立创电赛#数码管时钟
流水灯摇摇棒板
热门文章
更多
美国大力吸引企业投资芯片制造
4412 gpio读取pwm
乘用车DHT专用控制器的阳光解决方案
谷歌自称AI超级计算机比英伟达A100更快、更环保
示波器的带宽和采样率是什么意思
可能感兴趣器件
171-008-8S-P3CL
LP38843_15
240-0321-37PCA4K2-18M
VJ1206A331KXAAT
LT-2545-721-006
SIT9120AI-2C2-XXE148.351648X
L777HRBH44PVFM
008026117491512
WL621G2-Z01-7F
HRDR370.1SA2
MSB18D0850
800-034-CBH4Z16-7PX-72
EM42T28-12.80-2.5/-30+75
SO-720-LPC-HDN-640.000
1471LDM0820LYN211B
LP7-21131C36
1812Y1000394JER
201-14.69M-13-20T-TR
M80-4T13201F2-07-321-11-302
SP1-023-N126/06-97/2
WF12R2840BTLQ
1-1676907-0
BLU1210ER-2432-AB50
SMDT0805BTC2611
SL0A-00-24K6-BB
CB10712303L2
CG105J1GS1-05-P-QF-7
GP65ER-7321-CB
109D476X9010C0E3
8531SCBE3
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