本课程为精品课，您可以登录eeworld继续观看： Neural Network Hypothesis继续观看 课时1：Course Introduction 课时2：Large-Margin Separating Hyperplane 课时3：Standard Large-Margin Problem 课时4：Support Vector Machine 课时5：Reasons behind Large-Margin Hyperplane 课时6：Motivation of Dual SVM 课时7：Lagrange Dual SVM 课时8：Solving Dual SVM 课时9：Messages behind Dual SVM 课时10：Kernel Trick 课时11：Polynomial Kernel 课时12：Gaussian Kernel 课时13：Comparison of Kernels 课时14：Motivation and Primal Problem 课时15：Dual Problem 课时16：Messages behind Soft-Margin SVM 课时17：Model Selection 课时18：Soft-Margin SVM as Regularized Model 课时19：SVM versus Logistic Regression 课时20：SVM for Soft Binary Classification 课时21：Kernel Logistic Regression 课时22：Kernel Ridge Regression 课时23：Support Vector Regression Primal 课时24：Support Vector Regression Dual 课时25：Summary of Kernel Models 课时26：Motivation of Aggregation 课时27：Uniform Blending 课时28：Linear and Any Blending 课时29：Bagging (Bootstrap Aggregation) 课时30：Motivation of Boosting 课时31：Diversity by Re-weighting 课时32：Adaptive Boosting Algorithm 课时33：Adaptive Boosting in Action 课时34：Decision Tree Hypothesis 课时35：Decision Tree Algorithm 课时36：Decision Tree Heuristics in CRT 课时37：Decision Tree in Action 课时38：Random Forest Algorithm 课时39：Out-Of-Bag Estimate 课时40：Feature Selection 课时41：Random Forest in Action 课时42：Adaptive Boosted Decision Tree 课时43：Optimization View of AdaBoost 课时44：Gradient Boosting 课时45：Summary of Aggregation Models 课时46：Motivation 课时47：Neural Network Hypothesis 课时48：Neural Network Learning 课时49：Optimization and Regularization 课时50：Deep Neural Network 课时51：Autoencoder 课时52：Denoising Autoencoder 课时53：Principal Component Analysis 课时54：RBF Network Hypothesis 课时55：RBF Network Learning 课时56：k-Means Algorithm 课时57：k-Means and RBF Network in Action 课时58：Linear Network Hypothesis 课时59：Basic Matrix Factorization 课时60：Stochastic Gradient Descent 课时61：Summary of Extraction Models 课时62：Feature Exploitation Techniques 课时63：Error Optimization Techniques 课时64：Overfitting Elimination Techniques 课时65：Machine Learning in Action 课程介绍共计65课时，16小时4分32秒 机器学习技法 线性支持向量机、对偶支持向量机、核型支持向量机、软式支持向量机、核逻辑回归、支持向量回归 上传者：老白菜 猜你喜欢 iPhone 6暴力拆解 Arduino创意设计集：硬件设计头脑风暴 研讨会：MSP430 CapTIvate Lite: 成本优化的电容触摸微控制器 直播回放: 英飞凌BMS解决方案，为电动汽车和储能系统保驾护航！ 自激振荡开关电源电路构成特点及工作原理介绍 [高精度实验室] 接口 : (5) I2C 总线 周公系列讲座——CAXA电子图版实例 直播回放：英飞凌工业半导体在电机驱动行业中的应用 热门下载 用英特尔28Fxx0B3高级引导块和AMD 29LV160 29LV800 29LV400实现多源设计 手机校准的详细分析 源程序，关于建立UART通信，只要UART通信搞定，相信你会 stm32点灯实验 模煳控制理论及其在过程控制中的应用 DSP微光视频实时图像处理器软件系统设计 4.4 多指令流出技术.ppt 很全的电子元器件基础知识讲义【精心制作完整版】.pdf Spring实战[第三版] 无陀螺微惯性测量组合的优化算法研究 热门帖子 传感器 请问那个型号的人体传感器稳定性好灵敏度高传感器什么样的人体传感器，这个范围好大。具体描述一下吧，检测什么信号，需要什么功能。都不说是什么，哪来灵敏度啊。具体描述一下吧，检测什么信号，需要什么功能。都不说是什么，哪来灵敏度啊。是啊楼主的问题大了啊ienglgge发表于2014-11-2321:48具体描述一下吧，检测什么信号，需要什么功能。都不说是什么，哪来灵敏度啊。 就是在门口检测人是否进出的dcexpert发表于2014-11-23 1776188665 按键控制LEI流水灯 本帖最后由lgl80238023于2014-11-2122:36编辑 各位大侠，我写了个按键控制LED流向的程序，不按按键为正常顺序按下后，反向流动，为什么我加了按键后流水灯就不流动了啊？仿真看是可以的，下载到开发板就不流动了，不加按键可以的，求助啊按键控制LEI流水灯题目的写错了，能稍微认真点不粗略看了下，如果仿真可以，下载进去不行的话可能是regKEY_TIME_CNT;这个定义太长了你现在时钟频率多少学习中.................. lgl80238023 Timer实验中TCR的配置 在CCS3.3自带的Timer例程中，配置TCR寄存器中域值，采用的是如下的方式#defineTIMER_CTRLTIMER_TCR_RMK(\\TIMER_TCR_IDLEEN_DEFAULT,/*IDLEEN==0*/\\TIMER_TCR_FUNC_OF(0),/*FUNC==0*/\\TIMER_TCR_TLB_RESET,/*TLB==1,timer mengyang Open1081 第一周 初步接触mxchip wifi 首先得感谢EEWORLD和微雪给了我这次机会来了解mxchip的wifi模块。第一次申请时没成功，失落了好久，没想到第二次申请居然拿到了。其次不得不感慨双十一的威力，套件居然到今天我才收到。不管其他，先晒套件不过有点小瑕疵，有的地方可能是后焊的，痕迹比较明显，整体而言很简洁实用。仔细对了下清单，并没有找到天线，不知道其他人有没有这是mxchip的wifi模块。与想象的不一样呀，之前了解过mxchip的wifi，我知道要用到stm32f2的芯片，一直以为是一个stm32芯片+一个wi 770781327 如何使用LT spice4 最近我在學習如何使用LTspice4，只能做暫態分析，不會AC分析與DC分析，總是模擬不出來，想請教一下大家如何使用LTspice4不同电路，操作不同，如果是初学者，最好到官网看看，有这方面的视频介绍LTspice：AC分析http://www.linear.com.cn/solutions/4581也过来学习下qwqwqw2088发表于2014-11-1416:48不同电路，操作不同，如果是初学者，最好到官网看看，有这方面的视频介绍LTspice：AC 饕餮之夜 用stm32的PWM驱动电机 我想用32的PWM来调速，可以直接连接驱动桥芯片么，是否会有电压电流问题。。新人第一次做东西比较业余，求帮助用stm32的PWM驱动电机要看是什么样的桥，桥可以接受的信号怎么样，需要多大负载。一般的好像是可以的，最好有具体型号 yxzzkx 网友正在看 北京大学课程：电磁学33 编辑工具VI Meta Learning – MAML (8) 高频电路基础（六） 调管脚功能介绍 verilog delay 欧盟在物联网上的发展 温湿度传感器DHT11
