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 2015电源设计研讨会: 多相同步升压型变换器(1) Digi-Key 与 DFRobot 的 maker 项目访谈 机器学习 MSP430学习套件九大实验详解 直播回放： 2D/3D传感微型化 | 艾迈斯欧司朗新型Mira系列全局快门图像传感器 直播回放: Microchip 安全系列27: 正确的证明如何助您免遭来自软件供应链上的攻击 为恒温器应用设计宽输入 DC/DC 转换器 直播回放: ST 意法半导体 资料中心与通讯网路电源管理解决方案 热门下载 常用元件3D封装库：RA电阻2W100R HA_FB_1.3.9_Asion 汉字取模VB源码,可以分析出汉字的结构,从而为实现LED上传提供方便 数字电视整转网络改造户均成本测算12.7 自适应预失真前馈功率放大系统分析 电磁兼容设计讲座（中兴通讯.ppt 严蔚敏 数据结构的配套代码 TCA6408,pdf(Low-Voltage 8-Bit I2C and SMBus I/O Expander) 磁电式传感器基础知识 基于DSP技术的音频处理器的设计 热门帖子 在单片机中UART_GetSInt(Dat)什么意思 在单片机中UART_GetSInt(Dat)什么意思在单片机中UART_GetSInt(Dat)什么意思字面看过去是，获取初始数据这能看出什么玩意，把具体代码贴出来字面意思，得到串口的什么值。这又不是什么标准的库函数，没有函数体，不能具体分析。应该是个具有返回值的函数，可以串口打印的、看看应该是读取串口的数据，int型的？就是读串口指令，没什么玩意儿，具体得看函数的内容了 人心难测 急！platform builder 链接不上库的问题！ 我用的一个芯片，需要特定的算法，所以必须用它自带的库。现在我能确定，该库是wince5.0平台的，且是个静态库。即我手上有.lib,.pdb,及.h文件。我在sources的TARGETLIBS加库，结果不行，后来查到TARGETLIBS是加动态库的，我就用SOURCELIBS来加，结果也不行。谁能告诉我一下，到底应该怎么加呀？？？高分求答案！急！platformbuilder链接不上库的问题！1.怎么个不行法？2.你是怎么加的？把你的细节说清楚。因为你的方法本身没有问题。我把我的 lpzgbd 微波射频滤波器分类及性能指标 按微波滤波器的传输线的种类进行了分类，并按照这种分类方法对各种微波滤波器的性能指标、设计方法进行了详细的介绍。随着现代微波通信,尤其是卫星通信和移动通信的发展,系统对通道的选择性越来越高,这对微波滤波器的设计提出了更高的要求,而微波滤波器作为通信系统中的重要部分,其性能的优劣往往决定了整个通信系统的质量。因此研究微波滤波器的性能指标和设计方法具有重要意义。微波滤波器是一类无耗的二端口网络，广泛应用于微波通信、雷达、电子对抗及微波测量仪器中，在系统中用来控制信号的频率响应，使 Aguilera 贴片元件代码型号对照表 你是否在维修中遇到一些元件，上面就是几个字母和数字，查也查不到，用什么代用也没底，如果遇到这类问题，可以联系我，专业贴片元器件，我的技术，你的满意，你我共赢。联系人：曾先生13662236349Email:372613373@qq.comQQ:372613373贴片元件代码型号对照表很好的东西，多谢楼主啊！很重要，呵呵，下载看看，特别是芯片的一些标示好资料希望更全一些谢谢啦，正是需要这类的资料！3q，正在学习中丝印为S kssdz 基于CC1310的915MHz硬件设计 一、概述CC1310内部结合了超低功耗RF收发器和超强48MHzCortex-M33微控制器，使用ARMCortex-M0专业无线控制器来处理ROM或RAM中存储的低层RF协议命令，确保了超低功耗和灵活度。时钟速率可以到达48MHz（外部使用24M晶振），具有32KB、64KB和128KB三种可选编程闪存，8KB静态随缓存SPRM，具有30个GPIO的7mmx7mmRGZVQFN48封装、15个GPIO的5mmx5mmRHBVQFN32封装、10个 成都亿佰特 PT2314.pdf PT2314芯片的简单组合和介绍PT2314.pdf谢谢司令提供的资料!下了Re:PT2314.pdf不齐啊,哥们Re:PT2314.pdf這是簡易版呀 rain 网友正在看 类神经网络控制系统(二) 2.机器手臂系统识别 数据通信基础 orcad怎么创建Heterogeneous类型的元器件封装？ Convolutional neural networks for hand-written digit recognition 【3.29】抖动基础知识与测量 Digi-Key 与 DFRobot 完整访谈 Autoencoder 纯电感交流电路
