< Return to Video

Lecture 3 | Machine Learning (Stanford)

  • 0:10 - 0:14
    Esta presentación es llevada hasta ustedes por el Stanford Center for Professional
  • 0:14 - 0:21
    development
  • 0:24 - 0:27
    Ok, buenos dias y bienvenidos nuevamente
  • 0:27 - 0:31
    a la tercer lectura de esta clase.
  • 0:31 - 0:33
    lo que quiero hacer el día de hoy
  • 0:33 - 0:34
    y algunos de
  • 0:34 - 0:38
    los temas que desarrollaré hoy pueden parecer que voy saltando, sin orden,
  • 0:42 - 0:44
    hablado acerca
  • 0:44 - 0:48
    de la regresión lineal y hoy quiero hablar sobre
  • 0:48 - 0:52
    un tipo de adaptación llamada "regresion de pesos locales". Es un algoritmo muy popular
  • 0:52 - 0:57
    Es uno de los algoritmos favoritos de mi mentor
  • 0:57 - 1:02
    Luego hablaremos de la interpretacion probabilistica de la regresion lineal.
  • 1:02 - 1:07
    Y usaremos esta en nuestro primer algoritmo de classificacion:
  • 1:07 - 1:11
    Regresion Lineal (Logistic Regression)
  • 1:11 - 1:13
    luego hablaremos del algoritmo de perceptron (perceptron algorithm)
  • 1:13 - 1:16
    el cual revizaremos de nuevo en este semestre
  • 1:16 - 1:20
    Y si el tiempo lo permite, espero explicar el metodo de Newton (Newton's method)
  • 1:20 - 1:23
    un algoritmo para entrenar la regression lineal
  • 1:23 - 1:28
    Repasemos, lo que deciamos en la clase anterior
  • 1:29 - 1:33
    Recuerden las definiciones que utilize
  • 1:34 - 1:38
    Yo utilize x sub i
  • 1:39 - 1:42
    para denotar la i-ava muestra de entramiento
  • 1:49 - 1:52
    Cuando hablamos de regresion lineal
  • 1:52 - 1:55
    o minimos cuadrados ordinarios (ordinary least squares)
  • 1:55 - 1:56
    utilizamos 'esto' para definir
  • 1:56 - 1:58
    el valor que predecimos
  • 1:58 - 2:01
    como resultado de evaluar mi hipotesis H con
  • 2:01 - 2:02
    la entrada x sub i
Title:
Lecture 3 | Machine Learning (Stanford)
Description:

Lecture by Professor Andrew Ng for Machine Learning (CS 229) in the Stanford Computer Science department. Professor Ng delves into locally weighted regression, probabilistic interpretation and logistic regression and how it relates to machine learning.

This course provides a broad introduction to machine learning and statistical pattern recognition. Topics include supervised learning, unsupervised learning, learning theory, reinforcement learning and adaptive control. Recent applications of machine learning, such as to robotic control, data mining, autonomous navigation, bioinformatics, speech recognition, and text and web data processing are also discussed.

Complete Playlist for the Course:
http://www.youtube.com/view_play_list?p=A89DCFA6ADACE599

CS 229 Course Website:
http://www.stanford.edu/class/cs229/

Stanford University:
http://www.stanford.edu/

Stanford University Channel on YouTube:
http://www.youtube.com/stanford
more » « less
Video Language:
English
Duration:
01:13:14
Daniel Rugeles edited Spanish subtitles for Lecture 3 | Machine Learning (Stanford)
bugcillo added a translation

Spanish subtitles

Incomplete

Revisions

Our website uses cookies for analysis purposes.