本课程为精品课，您可以登录eeworld继续观看： Unsupervised 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 直播回放: Maxim nanoPower技术：延长电池寿命，提升传感器性能 随机信号处理 国防科大 MSP430 介绍 直播回放: ST 在工业自动化中的 PLC 方案 嵌入式Linux应用于开发实践 数字图像处理 天津理工大学 简化 USB3.1 设计的验证和调试 潘文明至简设计法之FPGA时序约束视频 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 WCE状态栏上改变窗口大小的三角标问题 很多软件的主界面的最下方，都有一个状态栏，而状态栏的右下角的一个三角标，可以用鼠标拖动改变窗口的大小，这就是状态栏的SBARS_SIZEGRIP样式，但WindowsCE中没有这样式。WCE下如何实现类似功能？WCE状态栏上改变窗口大小的三角标问题 xwinter123 【Cyclone V 评估板】 -- PCB文件 BRD文件，C版本【CycloneV评估板】--PCB文件赞楼主分享谢谢分享！回复楼主dontium的帖子多谢分享！ dontium vl53l0x测距程序，使用STM32L4R5 STM32CubeMX工程D15-SCL-PB8D14-SDA-PB9 /** ****************************************************************************** *@file:main.c *@brief:Mainprogrambody ************************************************ littleshrimp BlueNRG-Mesh的节点特性应该在哪里配置？ 今天用STEVAL-IDB007V1跑BlueNRG-Mesh的Firmware固件时测了一下电流在没与手机连接时的电流为10mA左右，连接后的电流在35mA左右于是想把节点配置成低功耗的特征，不知道应该修改代码的哪个地方？BlueNRG-Mesh的节点特性应该在哪里配置？BlueNRG-Mesh的蓝牙Mesh代码，含IOS和Android源码:loveliness:代官方会个帖Youcanchangethefeatureinthemesh_cfg.hfile littleshrimp 【AutoChips AC7801x电机demo板测评】+关键外设测试-串口 关键外设测试-串口为了完成电机驱动测试，需要首先完成几个关键外设的驱动：首先测试串口外设，这个是未来调试的一个关键接口。前面几个帖子说明了AC7801x电机demo系统集成了一个USB转串口的外设，这里驱动起来，完成信息的交互。通过AutoGenStudio工具配置串口1的参数如下图。然后生成相应的驱动代码。staticvoidATC_UART1_Init(void){/*USERCODEBEGI 我爱下载 atmega8单片机中断串口接收问题 atmega8单片机中断串口接收问题，环境是winavr20100110版本，现在要通过串口接收数据，采用中断方式。串口配置：UCSRB=(1RXCIE)|(1RXEN)|(1TXEN);//接收中断使能、接收使能、发送使能接收中断服务程序：ISR(USART_RXC_vect){command=UDR;}运行时，不能进入中断，无法接收数据，是什么问题？能够正常发送数据，但不能通过中断接收？atmega8单片机中断串口接收问题你使能全 风的海洋 网友正在看 频谱的线性搬移电路（一） Pathological Data Sets and Universal Hashing Motivation TinyEngine - Efficient Training and Inference on Microcontrollers EMC共地干扰问题解析 離散F轉換 - 8_傅立葉轉換範例 - 週期三角函數 北京大学课程：电磁学28 F题—纸张计数显示装置解析与交流 总线及其形成（四）
