吴恩达_吴恩达机器学习 - CSDN
吴恩达 订阅
吴恩达(1976-,英文名:Andrew Ng),华裔美国人,是斯坦福大学计算机科学系和电子工程系副教授,人工智能实验室主任。吴恩达是人工智能和机器学习领域国际上最权威的学者之一。吴恩达也是在线教育平台Coursera的联合创始人(with Daphne Koller)。2014年5月16日,吴恩达加入百度,担任百度公司首席科学家,负责百度研究院的领导工作,尤其是Baidu Brain计划。 [1]  2017年10月,吴恩达将出任Woebot公司新任董事长,该公司拥有一款同名聊天机器人。 [2] 展开全文
吴恩达(1976-,英文名:Andrew Ng),华裔美国人,是斯坦福大学计算机科学系和电子工程系副教授,人工智能实验室主任。吴恩达是人工智能和机器学习领域国际上最权威的学者之一。吴恩达也是在线教育平台Coursera的联合创始人(with Daphne Koller)。2014年5月16日,吴恩达加入百度,担任百度公司首席科学家,负责百度研究院的领导工作,尤其是Baidu Brain计划。 [1]  2017年10月,吴恩达将出任Woebot公司新任董事长,该公司拥有一款同名聊天机器人。 [2]
信息
职    业
计算机科学家
主要成就
人工智能和机器学习领域国际最权威学者之一
毕业院校
University of California, Berkeley
国    籍
美国
出生地
英国伦敦
博士导师
Michael I. Jordan
中文名
吴恩达
外文名
Andrew Y. Ng
出生日期
1976年
吴恩达人物经历
吴恩达1976年出生于伦敦,父亲是一位香港医生 [3]  ,英文名叫Andrew Ng,吴恩达年轻时候在香港和新加坡度过。1992年吴恩达就读新加坡莱佛士书院,并于1997年获得了卡内基梅隆大学的计算机科学学士学位。之后他在1998年获得了麻省理工学院的硕士学位,并于2002年获得了加州大学伯克利分校的博士学位,并从这年开始在斯坦福大学工作。他(2002年)住在加利福尼亚州的帕洛阿尔托。吴恩达是斯坦福大学计算机科学系和电子工程系副教授,人工智能实验室主任。吴恩达主要成就在机器学习和人工智能领域,他是人工智能和机器学习领域最权威的学者之一。2010年,时任斯坦福大学教授的吴恩达加入谷歌开发团队XLab——这个团队已先后为谷歌开发无人驾驶汽车和谷歌眼镜两个知名项目。吴恩达与谷歌顶级工程师开始合作建立全球最大的“神经网络”,这个神经网络能以与人类大脑学习新事物相同的方式来学习现实生活。谷歌将这个项目命名为“谷歌大脑”。吴恩达最知名的是,所开发的人工神经网络通过观看一周YouTube视频,自主学会识别哪些是关于猫的视频。这个案例为人工智能领域翻开崭新一页。吴恩达表示,未来将会在谷歌无人驾驶汽车上使用该项技术,来识别车前面的动物或者小孩,从而及时躲避。2014年5月16日,百度宣布吴恩达加入百度,担任百度公司首席科学家,负责百度研究院的领导工作,尤其是Baidu Brain计划。 [1]  2014年5月19日,百度宣布任命吴恩达博士为百度首席科学家,全面负责百度研究院。这是中国互联网公司迄今为止引进的最重量级人物。消息一经公布,就成为国际科技界的关注话题。美国权威杂志《麻省理工科技评论》(MIT Technology Review)甚至用充满激情的笔调对未来给予展望:“百度将领导一个创新的软件技术时代,更加了解世界。” [4]  在2019世界人工智能大会期间, Landing AI创始人、著名科学家吴恩达接受新浪科技专访,谈到了对5G、深度学习、个人数据隐私等方面的看法。在谈到深度学习时,吴恩达表示,深度学习还有很大的潜力,是一项被证明有效的技术,我们需要继续加大投入。 [5] 
收起全文
精华内容
参与话题
  • 吴恩达老师机器学习课程中文文字版整理: https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes吴恩达老师深度学习课程中文文字版整理: https://github.com/fengdu78/deeplearning_ai_books关注更新。...

    吴恩达老师机器学习课程中文文字版整理:

            https://github.com/fengdu78/Coursera-ML-AndrewNg-Notes

    吴恩达老师深度学习课程中文文字版整理:

            https://github.com/fengdu78/deeplearning_ai_books

    关注更新。

    感谢编者黄海广博士。

    展开全文
  • 吴恩达2014机器学习课程对应全部作业,内有详细代码以及题目说明文档!!代码清晰,亲自做过无任何问题!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
  • 斯坦福大学吴恩达机器学习课程 完整学习笔记+原始版讲义 全是高清版的ppt该课件为中科院一位仁兄在学习斯坦福大学吴恩达机器学习课程时候所做的学习笔记,非常好,吴老师上课略过的一些内容笔记都详细给出,并且还做...
  • 新智元报道 来源:Reddit、GitHub编辑:肖琴【导读】完全用Python完成吴恩达的机器学习课程是怎样一种体验?本文作者表示:完全可以!而且你不需要成为Pyt...
        

    640?wx_fmt=gif

    640?wx_fmt=png





      新智元报道 

    来源:Reddit、GitHub

    编辑:肖琴

    【导读】完全用Python完成吴恩达的机器学习课程是怎样一种体验?本文作者表示:完全可以!而且你不需要成为Python专家,只需要有良好的数学基础。


    “吴恩达的Coursera机器学习课程可以完全用Python完成!”


    昨天,Reddit论坛的机器学习看板出现这样一条热帖。


    可以说,吴恩达(Andrew Ng)的机器学习课程是很多人、尤其是中国学生进入机器学习世界的引路人,被认为是入门机器学习的最好课程。截至目前,有超过80000人在Coursera上完成了这门课的学习。


    640?wx_fmt=png

    吴恩达Machine Learning课的评分


    不过,这门课推荐使用Matlab/Octave来完成作业,对于不会Matlab/Octave,或者对Matlab/Octave不感兴趣的人来说,要完成作业获取证书可能难度加大。虽然吴恩达强烈推荐大家使用 Octave 来学习机器学习,并且用了完整的一个章节“Octave and Matlab Tutorial”来讲述 Octave 的基本操作。


    那么,全部用Python完成是怎么回事?


    Reddit用户rsdsdsr的帖子如下:


    一句话总结:吴恩达的Coursera ML课程可以用Python完成,而且你不必是Python专家就可以做到。但你需要有很好的数学基础,这将是非常耗时的,而且用Python写作业不会得到证书。”


    我最近在Coursera上完成了吴恩达的ML课程,但我没有使用推荐的Matlab/Octave,而是完全用Python来完成。你可以在这里查看我作业的Jupyter notebooks:

    https://github.com/seddonr/Ng_ML


    我绝不是第一个这样做的人,但我认为应该发这个帖子,作为给那些正在考虑参加这门课程,但像我一样对学习Matlab/Octave不感兴趣的人的鼓励,也可以了解用Python学这门课的好处和缺点。


    用Python完成这门课程非常耗时,因为这意味着我必须从头开始构建所有东西,而如果你用Matlab/Octave完成课程,则会得到大量预编写的代码。另一方面,这是一次很棒的学习经历,我学到了大量的Python技能。


    你不必成为Python专家——在完成这门课程之前,我的Python经验仅限于“使用Python自动化枯燥的东西”,以及学过一些关于NumPy和Matplotlib基础知识的非常简短的教程。但是,你需要有良好的数学基础才能跟上课程——有很多矩阵代数和微积分。


    另一个问题是,由于这门课程是为Matlab/Octave设计的,因此无法提交用Python完成的作业,所以你无法对你的作业进行评分或获得证书。证书对我来说并不重要,但如果对你很重要,那么Matlab/Octave可能是更好的选择。


    总的来说,我觉得这门课程很有趣,也很享受,我觉得它很好地覆盖了ML的许多主题。 Andrew Ng能以一种愉快的语调把知识点讲得很清楚,他的课也很容易学。如果你决定尝试用Python完成这门课程,祝你好运,我希望这个帖子是令人鼓舞的!


    Python作业代码


    rsdsdsr公开了他的作业代码:

    https://github.com/seddonr/Ng_ML


    内容:

    Ex1:线性回归

    有一个变量和多个变量。


    Ex2:逻辑回归

    包括正则化。


    Ex3: Multi-class 分类和神经网络

    使用两种不同的方法识别手写数字:one-vs-all逻辑回归,以及前向传播预训练的神经网络。


    Ex4:神经网络学习

    构建和训练神经网络,包括反向传播,并将其用于手写数字识别。


    Ex5:正则化线性回归和偏差与方差

    包括学习曲线和多项式回归。


    Ex6:支持向量机

    6.1:在一些样本2D数据集上展示scikit-learn SVM,其中包含线性和高斯核函数。

    6.2:使用自然语言处理和scikit-learn SVM构建电子邮件垃圾邮件分类器。


    Ex7:K-means聚类和主成分分析

    7.1:构建k-means聚类算法并将其用于图像压缩。 

    7.2:构建PCA算法并将其用于图像压缩和可视化。


    Ex8:异常检测和推荐系统

    8.1:使用多元高斯模型进行异常检测。 Precision, recall, F1 score.
    8.2:构建推荐系统并用它来推荐电影。


    最佳入门教程


    吴恩达在Coursera上开设的Machine Learning课程,经过数年的改进和传播,目前已有许多中文学习资料。吴恩达本人对这门课也很有感情,他曾表示自己保留斯坦福教职,很大程度上是因为想教这门课。


    这门课也是技巧和实践并重,“你不仅可以学习到学习的理论基础,还可以获得所需的实用知识,快速有效地将这些技术应用于新的问题”。课程中还将介绍了硅谷在机器学习和人工智能方面创新的一些最佳实践。本课程还将从大量的案例研究和应用中吸取教训,以便学习如何将学习算法应用于构建智能机器人(感知,控制),文本理解(网络搜索,反垃圾邮件),计算机视觉,医学信息学,音频,数据库挖掘等领域。


    主题包括:

    1、监督学习:参数/非参数算法,支持向量机,Kernels,神经网络

    2、无监督学习:聚类,降维,推荐系统,深度学习

    3、机器学习的最佳实践:偏差/方差理论;机器学习和人工智能的创新过程


    最后,该课最新一期从10月15日开始,持续约11周,2019年1月7日结束。


    640?wx_fmt=png


    课程地址:

    https://www.coursera.org/learn/machine-learning

    640?wx_fmt=gif

    640?wx_fmt=jpeg


    点击下方“阅读原文”了解【人工智能服务器】↓↓↓
    展开全文
  • 感动!有人将吴恩达的视频课程做成了文字版

    万次阅读 多人点赞 2018-04-23 19:10:54
    相信很多人都会推荐吴恩达的在线课程。 不过,这种视频在线课程也有其弊端,就跟很多人不喜欢微信语音一样,想要在视频中查找和回顾相关的知识点并不方便。 于是,以黄海广博士为首的一群机器学习爱好者发起了一个...

    这里写图片描述

    整理 | 阿司匹林

    机器学习和深度学习如何入门?相信很多人都会推荐吴恩达的在线课程。

    不过,这种视频在线课程也有其弊端,就跟很多人不喜欢微信语音一样,想要在视频中查找和回顾相关的知识点并不方便。

    于是,以黄海广博士为首的一群机器学习爱好者发起了一个公益性质的项目(http://www.ai-start.com):吴恩达机器学习和深度学习课程的字幕翻译以及笔记整理。

    近日,这个项目终于接近完成,而且黄海广博士等还将课程笔记做成了打印版,放在 GitHub 上,下载后可以直接打印,方便大家随时查阅。

    本人 2014 年下半年开始翻译吴恩达老师的机器学习课程字幕,并写了课程的中文笔记。笔记被下载了几万次,应该帮助了不少人,也有很多人一直在帮助我,现在我把笔记的word 原稿和 markdown 原稿分享给大家。

    markdown 的笔记和课程中英文字幕我将放在 github,希望大家能继续完善。为方便数学公式的在线显示,在线观看的是 html文件,公式已经被转为图片,公式源码在 markdown 文件。

    目前机器学习课程已经完成并开源,深度学习课程笔记也即将完成,期间得到了很多同学的帮助,非常感谢!

    这两门课的在线预览版本是这样的:

    这里写图片描述
    这里写图片描述
    

    打印出来是这样的:

    这里写图片描述

    以下是这两门课程的资源地址,感兴趣的读者可自行查看或下载:

    机器学习课程地址:

    https://www.coursera.org/course/ml

    笔记地址:

    http://www.ai-start.com/ml2014/

    深度学习课程地址:

    https://mooc.study.163.com/university/deeplearning_ai#/c

    笔记地址:

    http://www.ai-start.com/dl2017/

    最后,用黄海广博士的一句话作为结尾:

    知识在于分享, 赠人玫瑰,手有余香! 在人工智能的道路上,你不是一个人在战斗!

    这里写图片描述
    这里写图片描述

    展开全文
  • 吴恩达深度学习的课后练习,从第一课到第四课,截止到目前,第五课视频网易上还没有,所以第五课作业还没出。每课每周的作业都有,包含答案,第三课只有习题测试没有编程,所以不要误会资源不全,前三课的练习和第四...
  • 吴恩达

    千次阅读 2016-05-25 20:07:05
    吴恩达(1976-,英文名:Andrew Ng),华裔美国人,是斯坦福大学计算机科学系和电子工程系副教授,人工智能实验室主任。吴恩达是人工智能和机器学习领域国际上最权威的学者之一。吴恩达也是在线教育平台Coursera的...

    吴恩达(1976-,英文名:Andrew Ng),华裔美国人,是斯坦福大学计算机科学系和电子工程系副教授,人工智能实验室主任。吴恩达是人工智能和机器学习领域国际上最权威的学者之一。吴恩达也是在线教育平台Coursera的联合创始人(with Daphne Koller)。
    2014年5月16日,吴恩达加入百度,担任百度公司首席科学家,负责百度研究院的领导工作,尤其是Baidu Brain计划。
    这里写图片描述
    吴恩达与同事

    人物经历

    吴恩达1976年出生于伦敦,父亲是一位香港医生[2] ,英文名叫Andrew Ng,吴恩达年轻时候在香港和新加坡度过。1992年吴恩达就读新加坡莱佛士书院,并于1997年获得了卡内基梅隆大学的计算机科学学士学位。之后他在1998年获得了麻省理工学院的硕士学位,并于2002年获得了加州大学伯克利分校的博士学位,并从这年开始在斯坦福大学工作。他(2002年)住在加利福尼亚州的帕洛阿尔托。
    吴恩达是斯坦福大学计算机科学系和电子工程系副教授,人工智能实验室主任。吴恩达主要成就在机器学习和人工智能领域,他是人工智能和机器学习领域最权威的学者之一。
    2010年,时任斯坦福大学教授的吴恩达加入谷歌开发团队XLab——这个团队已先后为谷歌开发无人驾驶汽车和谷歌眼镜两个知名项目。
    吴恩达与谷歌顶级工程师开始合作建立全球最大的“神经网络”,这个神经网络能以与人类大脑学习新事物相同的方式来学习现实生活。谷歌将这个项目命名为“谷歌大脑”。
    吴恩达最知名的是,所开发的人工神经网络通过观看一周YouTube视频,自主学会识别哪些是关于猫的视频。这个案例为人工智能领域翻开崭新一页。吴恩达表示,未来将会在谷歌无人驾驶汽车上使用该项技术,来识别车前面的动物或者小孩,从而及时躲避。
    2014年5月16日,百度宣布吴恩达加入百度,担任百度公司首席科学家,负责百度研究院的领导工作,尤其是Baidu Brain计划。[1]
    2014年5月19日,百度宣布任命吴恩达博士为百度首席科学家,全面负责百度研究院。这是中国互联网公司迄今为止引进的最重量级人物。消息一经公布,就成为国际科技界的关注话题。美国权威杂志《麻省理工科技评论》(MIT Technology Review)甚至用充满激情的笔调对未来给予展望:“百度将领导一个创新的软件技术时代,更加了解世界。”[3]

    研究领域

    机器学习和人工智能,研究重点是深度学习(Deep Learning)。

    所获荣誉

    2007年,吴恩达获得斯隆奖(Sloan Fellowship)。
    2008年,吴恩达入选“the MIT Technology Review TR35”,即《麻省理工科技创业》杂志评选出的科技创新35俊杰,入选者是35岁以下的35个世界上最顶级的创新者之一。[4]
    “计算机和思想奖”的获得者。
    2013年,吴恩达入选《时代》杂志年度全球最有影响力100人,成为16位科技界代表之一。

    主要成就

    机器学习
    吴恩达早期的工作包括斯坦福自动控制直升机项目,
    Ng's Research
    Ng’s Research (5张)
    吴恩达团队开发了世界上最先进的自动控制直升机之一。
    吴恩达同时也是机器学习、机器人技术和相关领域的100多篇论文的作者或合作者,他在计算机视觉的一些工作被一系列的出版物和评论文章所重点引用。
    人工智能
    早期的另一项工作是the STAIR (Stanford Artificial Intelligence Robot) project,即斯坦福人工智能机器人项目,项目最终开发了广泛使用的开源机器人技术软件平台ROS。
    2011年,吴恩达在谷歌成立了“Google Brain”项目,这个项目利用谷歌的分布式计
    Andrew Ng通过笔记本解析Deep Learning
    Andrew Ng通过笔记本解析Deep Learning
    算框架计算和学习大规模人工神经网络。这个项目重要研究成果是,在16000个CPU核心上利用深度学习算法学习到的10亿参数的神经网络,能够在没有任何先验知识的情况下,仅仅通过观看无标注的YouTube的视频学习到识别高级别的概念,如猫,这就是著名的“Google Cat”。这个项目的技术已经被应用到了安卓操作系统的语音识别系统上。
    在线教育
    吴恩达是在线教育平台Coursera的联合创始人,吴恩达
    Ng at Machine Learning Class
    Ng at Machine Learning Class
    在2008年发起了“Stanford Engineering Everywhere”(SEE)项目,这个项目把斯坦福的许多课程放到网上,供免费学习。NG也教了一些课程,如机器学习课程,包含了他录制的视频讲座和斯坦福CS299课程的学生材料。
    吴恩达的理想是让世界上每个人能够接受高质量的、免费的教育。今天,Coursera和世界上一些顶尖大学的合作者们一起提供高质量的免费在线课程。Coursera是世界上最大的MOOC平台。[2]
    学术著作
    Deep Learning with COTS HPC Systems
    Adam Coates, Brody Huval, Tao Wang, David J. Wu, Bryan Catanzaro and Andrew Y. Ng in ICML 2013.
    Parsing with Compositional Vector Grammars
    John Bauer,Richard Socher, Christopher D. Manning, Andrew Y. Ng in ACL 2013.
    Learning New Facts From Knowledge Bases With Neural Tensor Networks and Semantic Word Vectors
    Danqi Chen,Richard Socher, Christopher D. Manning, Andrew Y. Ng in ICLR 2013.
    Convolutional-Recursive Deep Learning for 3D Object Classification.
    Richard Socher, Brody Huval, Bharath Bhat, Christopher D. Manning, Andrew Y. Ng in NIPS 2012.
    Improving Word Representations via Global Context and Multiple Word Prototypes
    Eric H. Huang, Richard Socher, Christopher D. Manning and Andrew Y. Ng in ACL 2012.
    Large Scale Distributed Deep Networks.
    J. Dean, G.S. Corrado, R. Monga, K. Chen, M. Devin, Q.V. Le, M.Z. Mao, M.A. Ranzato, A. Senior, P. Tucker, K. Yang, A. Y. Ng in NIPS 2012.
    Recurrent Neural Networks for Noise Reduction in Robust ASR.
    A.L. Maas, Q.V. Le, T.M. O’Neil, O. Vinyals, P. Nguyen, and Andrew Y. Ng in Interspeech 2012.
    Word-level Acoustic Modeling with Convolutional Vector Regression Learning Workshop
    Andrew L. Maas, Stephen D. Miller, Tyler M. O’Neil, Andrew Y. Ng, and Patrick Nguyen in ICML 2012.
    Emergence of Object-Selective Features in Unsupervised Feature Learning.
    Adam Coates, Andrej Karpathy, and Andrew Y. Ng in NIPS 2012.
    Deep Learning of Invariant Features via Simulated Fixations in Video
    Will Y. Zou, Shenghuo Zhu, Andrew Y. Ng, Kai Yu in NIPS 2012.
    Learning Feature Representations with K-means.
    Adam Coates and Andrew Y. Ng in Neural Networks: Tricks of the Trade, Reloaded, Springer LNCS 2012.
    Building High-Level Features using Large Scale Unsupervised Learning
    Quoc V. Le, Marc’Aurelio Ranzato, Rajat Monga, Matthieu Devin, Kai Chen, Greg S. Corrado, Jeffrey Dean and Andrew Y. Ng in ICML 2012.
    Semantic Compositionality through Recursive Matrix-Vector Spaces
    Richard Socher, Brody Huval, Christopher D. Manning and Andrew Y. Ng in EMNLP 2012.
    End-to-End Text Recognition with Convolutional Neural Networks
    Tao Wang, David J. Wu, Adam Coates and Andrew Y. Ng in ICPR 2012.
    Selecting Receptive Fields in Deep Networks
    Adam Coates and Andrew Y. Ng in NIPS 2011.
    ICA with Reconstruction Cost for Efficient Overcomplete Feature Learning
    Quoc V. Le, Alex Karpenko, Jiquan Ngiam and Andrew Y. Ng in NIPS 2011.
    Sparse Filtering
    Jiquan Ngiam, Pangwei Koh, Zhenghao Chen, Sonia Bhaskar and Andrew Y. Ng in NIPS 2011.
    Unsupervised Learning Models of Primary Cortical Receptive Fields and Receptive Field Plasticity
    Andrew Saxe, Maneesh Bhand, Ritvik Mudur, Bipin Suresh and Andrew Y. Ng in NIPS 2011.
    Dynamic Pooling and Unfolding Recursive Autoencoders for Paraphrase Detection
    Richard Socher, Eric H. Huang, Jeffrey Pennington, Andrew Y. Ng, and Christopher D. Manning in NIPS 2011.
    Semi-Supervised Recursive Autoencoders for Predicting Sentiment Distributions
    Richard Socher, Jeffrey Pennington, Eric Huang, Andrew Y. Ng, and Christopher D. Manning in EMNLP 2011.
    Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning
    Adam Coates, Blake Carpenter, Carl Case, Sanjeev Satheesh, Bipin Suresh, Tao Wang, David Wu and Andrew Y. Ng in ICDAR 2011.
    Parsing Natural Scenes and Natural Language with Recursive Neural Networks
    Richard Socher, Cliff Lin, Andrew Y. Ng and Christopher Manning in ICML 2011.
    The Importance of Encoding Versus Training with Sparse Coding and Vector Quantization
    Adam Coates and Andrew Y. Ng in ICML 2011.
    On Optimization Methods for Deep Learning
    Quoc V. Le, Jiquan Ngiam, Adam Coates, Abhik Lahiri, Bobby Prochnow and Andrew Y. Ng in ICML 2011.
    Learning Deep Energy Models
    Jiquan Ngiam, Zhenghao Chen, Pangwei Koh and Andrew Y. Ng in ICML 2011.
    Multimodal Deep Learning
    Jiquan Ngiam, Aditya Khosla, Mingyu Kim, Juhan Nam, Honglak Lee and Andrew Y. Ng in ICML 2011.
    On Random Weights and Unsupervised Feature Learning
    Andrew Saxe, Pangwei Koh, Zhenghao Chen, Maneesh Bhand, Bipin Suresh and Andrew Y. Ng in ICML 2011.
    Learning Hierarchical Spatio-Temporal Features for Action Recognition with Independent Subspace Analysis
    Quoc V. Le, Will Zou, Serena Yeung and Andrew Y. Ng in CVPR 2011.
    An Analysis of Single-Layer Networks in Unsupervised Feature Learning
    Adam Coates, Honglak Lee and Andrew Ng in AISTATS 14, 2011.
    Learning Word Vectors for Sentiment Analysis
    Andrew L. Maas, Raymond E. Daly, Peter T. Pham, Dan Huang, Andrew Y. Ng, and Christopher Potts in ACL 2011.
    A Low-cost Compliant 7-DOF Robotic Manipulator
    Morgan Quigley, Alan Asbeck and Andrew Y. Ng in ICRA 2011.
    Grasping with Application to an Autonomous Checkout Robot
    Ellen Klingbeil, Deepak Drao, Blake Carpenter, Varun Ganapathi, Oussama Khatib, Andrew Y. Ng in ICRA 2011.
    Autonomous Sign Reading for Semantic Mapping
    Carl Case, Bipin Suresh, Adam Coates and Andrew Y. Ng in ICRA 2011.
    Learning Continuous Phrase Representations and Syntactic Parsing with Recursive Neural Networks
    Richard Socher, Christopher Manning and Andrew Ng in NIPS 2010.
    A Probabilistic Model for Semantic Word Vectors
    Andrew Maas and Andrew Ng in NIPS 2010.
    Tiled Convolutional Neural Networks
    Quoc V. Le, Jiquan Ngiam, Zhenghao Chen, Daniel Chia, Pangwei Koh and Andrew Y. Ng in NIPS 2010.
    Energy Disaggregation via Discriminative Sparse Coding
    J. Zico Kolter and Andrew Y. Ng in NIPS 2010.
    Autonomous Helicopter Aerobatics through Apprenticeship Learning
    Pieter Abbeel, Adam Coates and Andrew Y. Ng in IJRR 2010.
    Autonomous Operation of Novel Elevators for Robot Navigation
    Ellen Klingbeil, Blake Carpenter, Olga Russakovsky and Andrew Y. Ng in ICRA 2010.
    Learning to Grasp Objects with Multiple Contact Points
    Quoc Le, David Kamm and Andrew Y. Ng in ICRA 2010.
    Multi-Camera Object Detection for Robotics
    Adam Coates and Andrew Y. Ng in ICRA 2010.
    A Probabilistic Approach to Mixed Open-loop and Closed-loop Control, with Application to Extreme Autonomous Driving
    J. Zico Kolter, Christian Plagemann, David T. Jackson, Andrew Y. Ng and Sebastian Thrun in ICRA 2010.
    Grasping Novel Objects with Depth Segmentation
    Deepak Rao, Quoc V. Le, Thanathorn Phoka, Morgan Quigley, Attawith Sudsand and Andrew Y. Ng in IROS 2010.
    Low-cost Accelerometers for Robotic Manipulator Perception
    Morgan Quigley, Reuben Brewer, Sai P. Soundararaj, Vijay Pradeep, Quoc V. Le and Andrew Y. Ng in IROS 2010.
    A Steiner Tree Approach to Object Detection
    Olga Russakovsky and Andrew Y. Ng in CVPR 2010.
    Measuring Invariances in Deep Networks
    Ian J. Goodfellow, Quoc V. Le, Andrew M. Saxe, Honglak Lee and Andrew Y. Ng in NIPS 2009.
    Unsupervised Feature Learning for Audio Classification Using Convolutional Deep Belief Networks
    Honglak Lee, Yan Largman, Peter Pham and Andrew Y. Ng in NIPS 2009.
    Convolutional Deep Belief Networks for Scalable Unsupervised Learning of Hierarchical Representations
    Honglak Lee, Roger Grosse, Rajesh Ranganath and Andrew Y. Ng in ICML 2009.
    Large-scale Deep Unsupervised Learning using Graphics Processors
    Rajat Raina, Anand Madhavan and Andrew Y. Ng in ICML 2009.
    A majorization-minimization algorithm for (multiple) hyperparameter learning
    Chuan Sheng Foo, Chuong Do and Andrew Y. Ng in ICML 2009.
    Regularization and Feature Selection in Least-Squares Temporal Difference Learning
    J. Zico Kolter and Andrew Y. Ng in ICML 2009.
    Near-Bayesian Exploration in Polynomial Time
    J. Zico Kolter and Andrew Y. Ng in ICML 2009.
    Policy Search via the Signed Derivative
    J. Zico Kolter and Andrew Y. Ng in RSS 2009.
    Joint Calibration of Multiple Sensors
    Quoc Le and Andrew Y. Ng in IROS 2009.
    Scalable Learning for Object Detection with GPU Hardware
    Adam Coates, Paul Baumstarck, Quoc Le, and Andrew Y. Ng in IROS 2009.
    Exponential Family Sparse Coding with Application to Self-taught Learning
    Honglak Lee, Rajat Raina, Alex Teichman and Andrew Y. Ng in IJCAI 2009.
    Apprenticeship Learning for Helicopter Control
    Adam Coates, Pieter Abbeel and Andrew Y. Ng in Communications of the ACM, Volume 52, 2009.
    ROS: An Open-Source Robot Operating System
    Morgan Quigley, Brian Gerkey, Ken Conley, Josh Faust, Tully Foote, Jeremy Leibs, Eric Berger, Rob Wheeler, and Andrew Y. Ng in ICRA 2009.
    High-Accuracy 3D Sensing for Mobile Manipulation: Improving Object Detection and Door Opening
    Morgan Quigley, Siddharth Batra, Stephen Gould, Ellen Klingbeil, Quoc Le, Ashley Wellman and Andrew Y. Ng in ICRA 2009.
    Stereo Vision and Terrain Modeling for Quadruped Robots
    J. Zico Kolter, Youngjun Kim and Andrew Y. Ng in ICRA 2009.
    Task-Space Trajectories via Cubic Spline Optimization
    J. Zico Kolter and Andrew Y. Ng in ICRA 2009.
    Learning Sound Location from a Single Microphone
    Ashutosh Saxena and Andrew Y. Ng in ICRA 2009.
    Learning 3-D Object Orientation from Images
    Ashutosh Saxena, Justin Driemeyer and Andrew Y. Ng in ICRA 2009.
    Reactive Grasping Using Optical Proximity Sensors
    Kaijen Hsiao, Paul Nangeroni, Manfred Huber, Ashutosh Saxena and Andrew Y. Ng in ICRA 2009。[4]

    人物评价

    吴恩达加盟百度被认为是中国互联网公司迄今为止引入的最重要的外援。

    展开全文
  • 吴恩达老师深度学习课程完整笔记

    万次阅读 多人点赞 2019-04-30 02:09:06
    为了方便学习深度学习课程,转载一个吴恩达老师的一个深度学习笔记,转载的网站是下面这个 https://blog.csdn.net/red_stone1/article/details/80207815 从去年8月份开始,AI界大IP吴恩达在coursera上开设了由5们课...
  • 吴恩达老师的深度学习课程(deeplearning.ai),可以说是深度学习入门的最热门课程,我和志愿者编写了这门课的笔记,并在github开源,star数达到8331+...
  • 【经典】吴恩达《机器学习》课程

    万次阅读 2018-09-02 16:50:08
    如果要推荐《机器学习》的学习课程,那必然首选吴恩达的《机器学习》课程,无论是国内还是国外,这是最火的机器学习入门课程,没有之一。吴恩达老师用易于理解、逻辑清晰的语言对机器学习算法进行介绍,无数新手正是...
  • 专访吴恩达:离开百度后的563天

    千次阅读 2018-10-21 14:59:42
    专访吴恩达:离开百度后的563天   https://mp.weixin.qq.com/s/j-C2vPAG1oS6PqyYmEKqHg     大数据文摘出品 编译:张秋玥、钱天培   吴恩达,42岁,斯坦福大学计算机科学教授。   曾任职于世界上最大...
  • 吴恩达-深度学习(带中文字幕)

    万次阅读 2018-11-01 20:13:33
    网易云链接:https://mooc.study.163.com/smartSpec/detail/1001319001.htm
  • 吴恩达机器学习与深度学习作业目录 [图片已修复]

    万次阅读 多人点赞 2019-07-17 17:04:04
    吴恩达机器学习作业目录 1 吴恩达机器学习作业Python实现(一):线性回归 2 吴恩达机器学习作业Python实现(二):logistic回归 3 吴恩达机器学习作业Python实现(三):多类分类和前馈神经网络 4 吴恩达机器学习作业...
  • http://open.163.com/special/opencourse/machinelearning.htmlhttps://pan.baidu.com/s/1boGzeDx
  • 吴恩达机器学习课后习题答案

    千次阅读 2018-03-22 21:57:15
    这篇大神 接下来我要开始看机器学习了,争取一个月之内把它看完 课后习题也要跟上!!! 一个月之后看复习进度
  • 吴恩达机器学习中文视频链接

    千次阅读 2018-08-22 11:20:03
    http://study.163.com/course/introduction/1004570029.htm?courseId=1004570029
  • 如果想了解更多机器学习算法细节,个人使用jupyter notebook整理的peter的《机器学习实战》代码,使其更有层次...学习机器学习理论知识:吴恩达的Coursera机器学习课程 整理的课后作业MATLAB版本:look here
  • 吴恩达deeplearning.ai课后作业

    万次阅读 2018-09-08 10:49:07
    https://blog.csdn.net/u013733326/article/details/79827273
  • 更多好玩的机器学习教程: 进入袋马学院领一份 ,全部免费
  • 这几天把吴恩达机器学习的视频看了下,都是很基础的,很适合入门视频链接:网易云课堂-吴恩达机器学习配套讲解链接:第一节 第二节 第三节 第四节 第五节入门的话每天看一节就可以,用到的知识也都很基础(微...
1 2 3 4 5 ... 20
收藏数 23,944
精华内容 9,577
关键字:

吴恩达