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 周立功 verilog 高速电路设计与仿真 直播回放： Matter标准和采用CryptoAuthentication™ IC的安全身份验证 可编程模块化DIY无人机Airblock Atmel_ 如何防御您的知识产权免受盗用 MSP432 超低功耗和物联网链接 MCU 介绍 TI 双向 CLLLC谐振、双有源电桥(DAB) 参考设计 FollowMe 第二季：3 - EK_RA6M5 开发板入门 热门下载 [资料]-JIS X4181-3-2004 信息技术.元数据的注册(MDR).第3部分注册元数据模式和基本属性.pdf [资料]-JIS Z4560-1991 工业用γ射线照相装置.pdf [资料]-JIS B7121-2007 Optics and optical instruments-Specifications for binoculars,monoculars and spot [资料]-JIS F7302-1997 英文版 造船.5K青铜角阀.pdf [资料]-JIS C8471-2-1-2000 电气设备的电缆和管线系统.第2部分：特殊要求.第1节固定于墙上和天花板上的电缆和管线系统.pdf [资料]-JIS F1051-2-2004 Inflatable boats -- Part 2：Boats with a maximum motor power rating of 4.5 kW t [资料]-JIS F2621-1995 Accommodation ladders.pdf [资料]-JIS Z 8404-2-2008 测量不确定度第2部分：测量软件不确定性的评价重复测量.pdf [资料]-JIS C61340-4-7-2011 静電気－第４－７部：特定応用のための標準的試験方法－イオナイザ.pdf [-]-jis b 8410-2011 水道用減圧弁（追補3）.pdf 热门帖子 脉冲信号分析仪‌的原理和应用场景 脉冲信号分析仪是一种用于测量和分析脉冲信号的精密仪器。以下是对其原理和应用场景的详细介绍：一、原理脉冲信号分析仪的工作原理主要基于电子测量技术和信号处理技术。当脉冲信号被分析仪的接收器接收后，信号会经过一系列的处理和分析。这些处理包括信号的放大、滤波、模数转换（ADC）以及数字信号处理（DSP）等。通过这些处理，脉冲信号的各种参数（如幅度、频率、相位等）可以被精确地测量和分析。具体来说，脉冲信号分析仪会将接收到的脉冲信号转换为数字信号，然后利用计算机或专用的数字信号处理芯片对数字 维立信测试仪器 MOS在电机驱动中有什么作用 随着现代工业和自动化技术的迅猛发展，电机驱动系统在许多应用中发挥着至关重要的作用。电机驱动不仅广泛应用于工业机器人、自动化生产线、家电等领域，还成为电动汽车、风能发电等新能源技术的重要组成部分。为了提高电机驱动系统的效率、精度和可靠性，MOSFET作为关键电子元器件，扮演着至关重要的角色。1.MOS管的工作原理MOSFET是一种广泛应用的半导体器件，属于场效应晶体管（FET）的一种。MOSFET通过控制栅极电压调节源极与漏极之间的电流流动，是一种高效的开关元件。在电机驱动中，MOSFET通 辰达行电子 全球汽车电子域控制器行业规模报告2025 据恒州诚思调研统计，2024年全球汽车电子域控制器市场规模约249.5亿元，预计未来将持续保持平稳增长的态势，到2031年市场规模将接近3883.5亿元，未来六年CAGR为48.3%。2025年01月恒州诚思（YHResearch）调研团队最新发布的《2024年全球及中国汽车电子域控制器行业头部企业市场占有率及排名调研报告》这份调研报告提供了关于全球及中国汽车电子域控制器市场的详细分析，涵盖了市场规模、增长趋势、主要厂商概况、地域分布特点以及产品类型与应用领域等多个方面的信息。本文调研 行业调研君 Altera‘s User Customizable ARM-Based SoC Altera‘sUserCustomizableARM-BasedSoC版主建个索引贴置顶吧~~~~~好主意！看来老大已经倒腾起soc了还没有啊正在关注和学习中谢谢分享。 chenzhufly 大家都用什么软件烧430程序的啊 ？ 大家都用什么软件烧430程序的啊？？有没有碰到BSL初始化失败！只能烧录一次，第一次正常可以烧录，第二次就老是会BSL初始化失败。大家都用什么软件烧430程序的啊？我用的不是这个那个软件名字是英文忘了啥名字了 旋风小子 有人研究自抗扰控制器的么？能指导一下么 请问有大神研究“自抗扰算法”么百度了一下说是由PID演化而来的，菜鸟一枚，对实现原理不大懂，有大神愿意分析下么？谢谢有人研究自抗扰控制器的么？能指导一下么抗干扰的方法很多，这个“自抗扰”的说法不够明确，实在难以猜断。抗扰，必须要看是什么类型的干扰，哪里来的干扰，干扰的性质和强度如何，没有这些数据就谈不上什么抗扰。chunyang发表于2014-11-1322:22抗干扰的方法很多，这个“自抗扰”的说法不够明确，实在难以猜断。抗扰，必须要看是什么类型的干扰，哪里来 swustlx86 网友正在看 中央处理器 - The Central Processing Unit(CPU) 条件随机场的学习算法 TTL反相器的传输延迟时间 以太网ARP测试实验_程序设计（第四讲） 其他功能介绍 单链表小结：腾讯面试题 3.2.1NPN型三极管与恒流源放电电路 如何提高物联网时代智能楼宇电子设备的安全与可靠性
