本课程为精品课，您可以登录eeworld继续观看： Cost Function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 Analysis and Design of a Flyback(反激电源设计与分析) TI 家电应用中电机驱动分类及参考设计简介 故障指示器采集单元的电源解决方案 现代通信技术 北京邮电大学(纪红) 直播回放: TI 带您领略互联高效的智能家居方案 Hover Camera-全球首款安全易用便携式无人机 微软全息通信Holoportation,相隔千山万水照样面对面沟通 Keil MDK 开发工具 Version 5 中的软件包和组件 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 Keil C中的Double型怎么使用？ 由于编程的需要，采用Double型存储数据，可是，在调试的时候，Memory观察窗中发现Double型会自动将后面几位截取，进而用指数来表示，不知道这只是显示的问题，还是它存储的数据就是截掉末尾几位的了？KeilC中的Double型怎么使用？ Junshan 领导给任务了啊 用单片机控制步进电机还有气缸的工作，是如何实现的！1.做一个治具，连续测试六个产品，治具上要有能显示正在测试产品的LED指示灯，2.面板上要有急停、测试、三档选择开关3.每支产品测试时间为10S（时间可调范围为10~30S），前个产品测试完后自动跳开且下一个产品开始测试到六个产品测试完成为止4，操作简单可靠，治具提供一个两芯线的快速插头以提供脉冲电压测试仪链接及备用两芯片线快速插座一个5.测试工装需能检测产品放入是否接触良好，6工装维修简单7操作安全我 ly471089608 DC-DC直流电3.3V/5V信号升压到12V直流电信号 DC-DC直流电3.3V/5V信号升压到12V直流电信号昨天qwqwqw2088给了我一个MC14504BIC，这个IC确实可以做到，目前已经用CD4069试过，接负载过后，示波器显示波形出现了变化，所以想多找一些电路来试试，看看具体哪一个显示波形正常，麻烦知道的大神告知一下，还知道哪些是“电压信号”提升的，3.3V/5V提升到12V的电压信号。谢谢！DC-DC直流电3.3V/5V信号升压到12V直流电信号发错版块了哦。这个电源相关问题，请发到电源设计版块哦。我给你把这个帖子搬过 落尘逐风 Cortex-M3之STM32嵌入式系统设计 +【ST主题月】 内容简介《Cortex-M3之STM32嵌入式系统设计》介绍了以ARMCortex-M3为内核的STM32F103增强型微控制器的特点，深入讲解其硬件和软件设计方法。本书分为STM32基础开发、STM32深入开发以及STM32高级开发三部分。基础开发部分介绍了嵌入式系统概述、STM32最小系统设计、STM32程序设计入门、GPIO应用、GCC编译器的安装与应用、STM32外部中断、面向对象设计的本质、USART通信等内 wujianwei3980 最后3天，瑞萨电子线下研讨会邀你参加！（重庆、厦门） 感兴趣的朋友，请走VIP特别通道报名，发邮件到marketing.cn@renesas.com说明个人信息及几人参加。研讨会亮点：第一时间获悉瑞萨电子最新MCU芯片！基于开发工具的实战讲解！现场与瑞萨电子工程师的实时互动！最后3天，瑞萨电子线下研讨会邀你参加！（重庆、厦门） soso 【Follow me第二季第3期】任务提交贴 首先感谢eeworld论坛和digikey对电子爱好者的大力支持，感谢提供了这样一个学习的机会。任务提交：准备工作https://bbs.eeworld.com.cn/thread-1297415-1-1.htmlhttps://bbs.eeworld.com.cn/thread-1297445-1-1.html入门任务https://bbs.eeworld.com.cn/thread-1301454-1-1.htmlhttps://bbs.eeworld.co breeze_i 网友正在看 模拟电子技术基础41 汇编LED驱动实验-驱动编写 原理图工具栏图标不显示了，怎么调出来？ Qt信号槽介绍 5元钱简易防偷拍神器，快来动手做一个吧 MATLAB Arduino（18）:在MATLAB中使用fill() -缩放和平移二维动画 嵌入式软硬件裁剪原则 Linux驱动开发—中断程序编写与测试
