本课程为精品课，您可以登录eeworld继续观看： Model Representation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 手把手教你学STM32电机专题 基于树莓派如何开发机器人 互联网基础设施网络研讨会 仅用一颗葡萄供电的微处理器 直播回放：Microchip ATmega4809系列单片机简介 天线原理 哈工大 林澍 EMC设计 STM32F7 vs STM32F4在图像计算中的性能 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 【管理员请进】收到的开发板液晶屏损坏 昨天接到快递的电话，晚上满怀激动的心情从物业取回开发板，但是打开却发现液晶屏是坏的，请问管理员，在运输途中的损坏能换吗？？谢谢【管理员请进】收到的开发板液晶屏损坏楼主你的图片没有显示出来，我来帮你显示哪个快递公司啊？悲催的孩子回复楼主lxh0508的帖子从哪里看出是快递运输过程中导致屏弄坏的呢，影响正常使用吗？提供一下外包装的照片吧。快递那边的反馈是你签收之前应该看一下有没有问题再签收！回复楼主lxh0508的帖子就是盒子稍微有点瘪，所以觉得应该是快递搞的吧。 lxh0508 奇怪程序还没有执行RAM里居然有数据？？？？？ 下载(144.4KB)2011-1-223:06奇怪程序还没有执行RAM里居然有数据？？？？？非常正常的现象，一点也不奇怪，？？？？？香板难道在PC到达0X000000之前就把ROM里的DATACOPY到ARM里面了？？？？？？？？？？香板难道在PC到达0X000000之前就把ROM里的DATACOPY到ARM里面了？？？？？你在RAM中看到的是ROM里的DATA吗？不知道？只看到 千面魔军 非库方式新建C2000工程入门 非库方式新建工程的总结1、建立工作目录E:\\workspace_v5_2\\TMS320F28027E:\\workspace_v5_2\\TMS320F28027\\projectE:\\workspace_v5_2\\TMS320F28027\\f2802x_commonE:\\workspace_v5_2\\TMS320F28027\\f2802x_headers2、头文件设置E:\\workspace_v5_2\\TMS320F28027E:\\workspac 蓝雨夜 lwip如何建立多个tcp连接 LM3S9B90+ucos2+LWIP如何建立多个TCP连接?做两个服务器，开放两个端口。请问怎样实现同时支持两个连接？谢谢。lwip如何建立多个tcp连接求解？？回复楼主yonglin503的帖子用的是SequentialAPI还是BSDAPI？开两个SOCKET，然后注意对LWIP资源的配置，有足够内存给的TCPPCB.具体我也没试过，需要楼主自己摸索一下。回复沙发yonglin503的帖子 yonglin503 有无锡的wince开发员吗 我的诺基亚330一体机开机不动了请求刷机联系QQ108271111tel13961764513有无锡的wince开发员吗把SD卡拔掉看看能不能启动。那个是ＷＩＮＣＥ的？谢谢楼上的俩位朋友拔了能启动的，就是开机了死在第二个画面上插上卡也能启动的，连上电脑还能显示已连接，电脑上还能读sd卡那找卖的厂商啊引用3楼bwpb2008的回复:谢谢楼上的俩位朋友拔了能启动的，就是开机了死在第二个画面上插上卡也能启动的，连上电脑还能显示已连接，电脑上还能读sd卡 shinesnow 74hc4046环路滤波器设计 PLLsim设计74HC4046时，电荷泵电流Icp和VCO控制灵敏度Kv该用多少合适呢？麻烦大佬解答解答74hc4046环路滤波器设计 问题有几个，一个一个解决吧。一、74HC4046的鉴相器有3个，分别是异或门、JK触发器与鉴相鉴频器（PFD），器件上标注为PC1、PC3与PC2。其中PC1与PC3直接就是高低电平输出，所以不存在电荷泵的问题。PC2（鉴相鉴频器）是三态输出，但它不是电荷泵输出，而是高电平、低电平、高阻这三种输出状态。芯片也没有提供设定输出电流的地方。所以楼主 3388688476 网友正在看 北京大学课程：电磁学52 卡诺图的合并规律 第一章傅氏算法（04） 无人机极曲线 1.1 控制循环的处理 避障程序设计 密码学基本知识培训教程 02-开始编程吧
