本课程为精品课，您可以登录eeworld继续观看： Supervised 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 Qt Quick及QML介绍 项目实战制作：智能门禁系统 直播回复: TI CapTIvate - MSP430™电容触摸开发入门 射频电路基础 机智云Gokit3入门视频 低噪声 μModule DC/DC 转换器简化了 EMI 设计 2015电源设计研讨会：无线功率传输（1） 直播回放: Keysight感恩月示波器大讲堂 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 怎么样才能让多个485模块稳定工作 485总线作为常用的一致组网方式，接线简单，成本低廉，通讯距离较远，很适合数据量不是特别大，低成本的应用场合。但是在实际使用中，如果总线上接入的485设备较多之后，就会经常遇到某个或者某些设备不能正常通讯的问题。而这些设备单独使用是没有问题的。那么485组网过程中需要注意那些问题呢？欢迎大家来讨论一下。我先抛砖引玉，第一个就是485芯片的选择，也就是485的负载阻抗，标准的阻抗是=12KΩ,相应的节点驱动能力为32个，当然有些芯片设计成了1/2负载，1/4负载，甚至1/8，对应的节点 jishuaihu 有没有大佬做过FPGA上的稀疏矩阵分解的内容 有没有大佬做过FPGA上的稀疏矩阵分解的内容，想请教一下qq：1105022747有没有大佬做过FPGA上的稀疏矩阵分解的内容具体问题欢迎论坛沟通。 andyourself 请问有没有一种传感器？谢谢 当它接触到水时（或者离水有一小段距离时）会产生一个开关信号送给单片机，谢谢请问有没有一种传感器？谢谢看看湿度传感器是否可以；用电容式接近传感器可以在接近水面时产生信号。其原理是水面接近时改变了电容量。但这并非只对水产生信号，其它高介电常数的物质接近，也会产生信号。换言之，没有特异性。music_586发表于2015-2-2820:08看看湿度传感器是否可以；好的maychang发表于2015-2-2820:22用电容式接近传感器可以在接近水面 huangweichi123 【EEWORLD带你DIY】情人节礼物：各小组进展汇报帖 大家都在做什么？大家每天都来汇报一下吧～～～一方面可以与别人分享自己的经验，一方面还可以收获许多不同的想法～～【EEWORLD带你DIY】情人节礼物：各小组进展汇报帖一直都在自己看DSP和语音芯片的资料，我通过博客给我们组的每个成员都发了我的QQ，可是，只有一个组员和我联系上了。还请各位在次留言，告诉我们最新情况！如需要我们的话，QQ634796840联系！期待中……Re:【EEWORLD带你DIY】情人节礼物：各小组进展汇报帖哈哈,汇报进展,这样好点.大家可以 soso 51单片机的接口问题 小弟现在在自学51单片机，现在有个问题想问一下各位：就是R_XDT_XDP1.0P1.1在编程的时候，他们各个的作用是什么?非常感谢你的回帖；51单片机的接口问题别光看书。。。没多少用串口通讯脚，也可以做为普通IO口使用 海乐 stm32 c++封装库 初学c++，心血来潮就在各大搜索引擎上搜索关于stm32方面c++资料，发现视乎没什么人用c++操作stm32以下是google上找到的国外一牛人写的，基于stm32官方固件库封装的stm32c++库，下载地址：http://andybrown.me.uk/wk/downloads/编译器：eclipse+(CodeSourceryg++toolchain)希望有国内牛人把它移植到我们常用的ide平台上stm32c++封装库 xujibicool 网友正在看 家庭物联网关介绍 第四章-02-结构体成员的默认值 电子测量原理40 布局-PCB封装更新 三阶系统仿真实验 ADI技术及产品支持中国能源互联网.p1 电力电子基础 如何开发DSP在OMAPL138（除了Linux）
