本课程为精品课，您可以登录eeworld继续观看： What is Machine Learning继续观看 课时1：Welcome 课时2：What is Machine Learning 课时3：Supervised Learning 课时4：Unsupervised Learning 课时5：Model Representation 课时6：Cost Function 课时7：Cost Function - Intuition I 课时8：Cost Function - Intuition II 课时9：Gradient Descent 课时10：Gradient Descent Intuition 课时11：Gradient Descent For Linear Regression 课时12：What-'s Next 课时13：Matrices and Vectors 课时14：Addition and Scalar Multiplication 课时15：Matrix Vector Multiplication 课时16：Matrix Matrix Multiplication 课时17：Matrix Multiplication Properties 课时18：Inverse and Transpose 课时19：Multiple Features 课时20：Gradient Descent for Multiple Variables 课时21：Gradient Descent in Practice I - Feature Scaling 课时22：Gradient Descent in Practice II - Learning Rate 课时23：Features and Polynomial Regression 课时24：Normal Equation 课时25：Normal Equation Noninvertibility (Optional) 课时26：Basic Operations 课时27：Moving Data Around 课时28：Computing on Data 课时29：Plotting Data 课时30：Control Statements- for, while, if statements 课时31：Vectorization 课时32：Working on and Submitting Programming Exercises 课时33：Classification 课时34：Hypothesis Representation 课时35：Decision Boundary 课时36：Cost Function 课时37：Simplified Cost Function and Gradient Descent 课时38：Advanced Optimization 课时39：Multiclass Classification- One-vs-all 课时40：The Problem of Overfitting 课时41：Cost Function 课时42：Regularized Linear Regression 课时43：Regularized Logistic Regression 课时44：Non-linear Hypotheses 课时45：Neurons and the Brain 课时46：Model Representation I 课时47：Model Representation II 课时48：Examples and Intuitions I 课时49：Examples and Intuitions II 课时50：Multiclass Classification 课时51：Cost Function 课时52：Backpropagation Algorithm 课时53：Backpropagation Intuition 课时54：Implementation Note- Unrolling Parameters 课时55：Gradient Checking 课时56：Random Initialization 课时57：Putting It Together 课时58：Autonomous Driving 课时59：Deciding What to Try Next 课时60：Evaluating a Hypothesis 课时61：Model Selection and Train-Validation-Test Sets 课时62：Diagnosing Bias vs. Variance 课时63：Regularization and Bias-Variance 课时64：Learning Curves 课时65：Deciding What to Do Next Revisited 课时66：Prioritizing What to Work On 课时67：Error Analysis 课时68：Error Metrics for Skewed Classes 课时69：Trading Off Precision and Recall 课时70：Data For Machine Learning 课时71：Optimization Objective 课时72：Large Margin Intuition 课时73：Mathematics Behind Large Margin Classification (Optional) 课时74：Kernels I 课时75：Kernels II 课时76：Using An SVM 课时77：Unsupervised Learning- Introduction 课时78：K-Means Algorithm 课时79：Optimization Objective 课时80：Random Initialization 课时81：Choosing the Number of Clusters 课时82：Motivation I- Data Compression 课时83：Motivation II- Visualization 课时84：Principal Component Analysis Problem Formulation 课时85：Principal Component Analysis Algorithm 课时86：Choosing the Number of Principal Components 课时87：Reconstruction from Compressed Representation 课时88：Advice for Applying PCA 课时89：Problem Motivation 课时90：Gaussian Distribution 课时91：Algorithm 课时92：Developing and Evaluating an Anomaly Detection System 课时93：Anomaly Detection vs. Supervised Learning 课时94：Choosing What Features to Use 课时95：Multivariate Gaussian Distribution (Optional) 课时96：Anomaly Detection using the Multivariate Gaussian Distribution (Optional) 课时97：Problem Formulation 课时98：Content Based Recommendations 课时99：Collaborative Filtering 课时100：Collaborative Filtering Algorithm 课时101：Vectorization- Low Rank Matrix Factorization 课时102：Implementational Detail- Mean Normalization 课时103：Learning With Large Datasets 课时104：Stochastic Gradient Descent 课时105：Mini-Batch Gradient Descent 课时106：Stochastic Gradient Descent Convergence 课时107：Online Learning 课时108：Map Reduce and Data Parallelism 课时109：Problem Description and Pipeline 课时110：Sliding Windows 课时111：Getting Lots of Data and Artificial Data 课时112：Ceiling Analysis- What Part of the Pipeline to Work on Next 课时113：Summary and Thank You 课程介绍共计113课时，19小时28分58秒 机器学习 吴恩达 此课程将广泛介绍机器学习、数据挖掘与统计模式识别的知识。主题包括：(i) 监督学习（参数/非参数算法、支持向量机、内核、神经网络）。(ii) 非监督学习（聚类、降维、推荐系统、深度学习）。(iii) 机器学习的优秀案例（偏差/方差理论；机器学习和人工智能的创新过程）课程将拮取案例研究与应用，学习如何将学习算法应用到智能机器人（观感，控制）、文字理解（网页搜索，防垃圾邮件）、计算机视觉、医学信息学、音频、数据挖掘及其他领域上。 上传者：老白菜 猜你喜欢 利用高压母线转换模块 (BCM) 为LED驱动器供电 TI.com 视频系列 How do I 电赛项目《自动纸张计数显示装置》 直播回放: 安全系列19 - 符合无线电充电联盟WPC的无线充电身份验证 2017 - TI 嵌入式产品总览 随机信号处理 西电 赵国庆 Cypress TrueTouch 触摸屏解决方案 2015瑞萨电子设计大赛作品 热门下载 水木清华DSP技术精华 dsp学习不可或缺的资料 基于STC89C52单片机智能小车设计_陈飞鹏 MAX15458 关联分类算法采用贪心算法发现高质量分类规则 AVR单片机的天然气发动机电控系统设计 时序约束整理 这种数学模型的使用能使旅游学更具学科性 通信电子电路基础 IBM笔记本机型与所用屏幕品牌、型号对照表 振荡电路的设计与应用-稻叶-293页-20.3M.pdf 热门帖子 【极海APM32F407】5,跑一下内部温度传感器例子 极海的这款芯片，在ADC1也有温度传感器。而且例程中使能了DMA功能：voidDMA_Init(uint32_t*Buf){/*DMAConfigure*/DMA_Config_TdmaConfig;/*EnableDMAclock*/RCM_EnableAHB1PeriphClock(RCM_AHB1_PERIPH_DMA2);/*sizeofbuffer*/dmaConfig.bufferSize=1;/* ddllxxrr 如何对spwm波进行锁相？？、、. 目前在学习dsp，产生spwm波。只会通过改变的PRD来改变spwm波的频率，现在我想让它spwm的频率，幅值，相位自动调节，进而形成可以并入电网的交流电，不知道各位老师有没有经验可以学习下？如何对spwm波进行锁相？？、、.我也需要哎 huangyiqian1000 FSMC时序怎么计算 FSMC的时序怎么计算，我用103ZE驱动CS8900A和IS61LV25616，CS8900A工作在IO模式，初始化怎么也不对，同样的电路在710上工作很好，我怀疑是我的FSMC配置的不对，下面是我的初始化代码，各位大哥谁用过FSMC，指点一下，谢谢了FSMC_NORSRAMInitTypeDefFSMC_NORSRAMInitStructure;FSMC_NORSRAMTimingInitTypeDefp;GPIO_InitTypeDefGPIO_InitStructu kittenqq 开启定时器中断对程序的影响 while(1){if(PressRelease){switch(statetable){caseWELCOME:UARTSendArray(pleaseenterthreenumbersbetween0and10torepresentthebrightnessofthreemodes\\n,88);pwm(100);break;caseB1:pwm((input-48)*100);break; 很想变学霸 示波器汽车涡轮增压电磁阀波形及分析 涡轮增压器在不增加发动机排气量下增加功率，涡轮增压器的好处也包括在有效的转速范围内增加转矩，与相同功率下自然吸气的发动机相比，提高了燃油经济性，降低废弃排放污染。然而，为了获得最好的加速性、节气门反应性及发动机耐用性，增压器的压强应备控制或调节。如果增压压强不能适当调节，驾驶性能会受到影响或造成发动机损坏。调节增压压强是通过改变废气量，即旁通废气侧涡轮机气路的方法到达的，当更多的废气绕过涡轮机排出后，增压压强减少了。废气门阀通过打开和关闭来调节旁通量。废气阀由真空伺服电动机控 Micsig麦科信 C6678 EDMA 搬运有内存保护吗？ 各位老师好，我再6678平台下，用edma的CC1做数据搬运。pingset：将数据从一个内存固定源地址src搬到内存ping区域，pongset：将数据从该地址搬到pong区域。ping和pong在msm上。pingpong搬运相互link。当ping搬运完成之后，edma发出中断，core0对ping区域进行处理，pong搬运完之后，core0处理pong数据。现在中断程序只是简单的将ping或pong区域的数据搬运到另外一个数组里面，然后问题出现了，如果中断程序什么都不做，则e bianpang 网友正在看 BIST2 Parallel ORA MISR 软件自带原理图库介绍与编辑 第5课 NAND FLASH控制器 各种模拟调制抗噪声性能分析及应用 ams 医用/工业CT医疗影像探测器芯片应用与解决方案 VSB和幅度调制抗噪声性能分析 字符设备驱动（第一节） 智能扬声器投影技术
