本课程为精品课，您可以登录eeworld继续观看： What-'s Next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 Altera 2014技术巡展（11）Altera汽车产品简介 魏德米勒 - OMNIMATE连接技术的创新发展 DC/DC 变换器设计中的常见错误及解决方案 USB Type-C是什么？ TI 助力物联网与云时代, 丰富的无线产品线及其应用 如何自动对电机进行调优 设计指南-选择用于DC-DC转换器输出的电容，电感 苹果公司CEO乔布斯在斯坦福大学的演讲中文字幕 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 SAR型ADC前级信号处理相关问题 如上图所示，为SAR型ADC的输入信号经过抗混叠滤波后，用运放和RC电路缓冲以达到在采样时间内采样电容上的电压与真实信号电压差值在0.5LSB以内的假设和计算过程。有一个疑问，计算外部RC和运放带宽的时候，从没有考虑Rsh（采样过程输入电阻）。这个为什么？SAR型ADC前级信号处理相关问题这里AD采样电路内阻应该远大于输入阻抗，对电路的影响有限，因此不做考虑。 不应该，如果Rsh很小很小，与Rfilt差异很大才有忽略可能。或者说，Rsh*Csh这个时间常数很小很 呜呼哀哉 检测设备仪器租赁、二手购买，可以过来了解一下 微波射频测试方面的仪器由于价格不菲，很多企业都是采用短期租赁或购买二手的方案，可是找到一个合适的租赁、购买平台非常不容易。在这里给大家推荐一个靠谱的检测设备租赁公司，他能为微波射频测试应用提供解决方案和最佳选择，也能为客户提供大量适用于射频和微博应用的电子测试设备，无论是进行EMI预一致性测试、干扰测试、噪声系数测试还是相位噪声测试，都有精确地设备和技术工程师帮助挑选最适合的方案。他就是——益莱储（北京）检测设备租赁有限公司，在益莱储，完全根据客户的需要提供定制化解决方案，可租可买，租期可长 eric_wang 开关电源兴趣小组 第06次任务 第05次思考题 1、我们在第04次思考题中已经知道：理想的Boost电路，开关管关断时两端电压等于输出电压。理想的Buck电路，开关管关断时两端电压等于输入电压。那么，理想的Buck/Boost电路，开关管关断时两端承受的最大电压是多少？ 理想的Boost电路，开关管关断时两端承受的最大电压等于输入电压与输出电压绝对值之和。在Boost电路中，开关管关断瞬间，电感L两端电压等于输出电压。此时开关管两端电压等于输入电压与电感L两端电压的叠加。 2、在工频变压器半波整流电路中 maychang 浅谈无线设备的校准 当前无线通讯是个潮流，GSM手机、cdma手机、wcdma手机、WLAN的研发、生产如火如荼，在这些无线设备的研发、生产中都有校准，其意义和目的何在？大批量生产无线发射、接收设备时，通常情况下，为什么都需要校准？在大批量生产无线发射、接收设备时，如GSM手机、cdma手机、wcdma手机、WLAN、bluetooth时，在通常情况下，为什么都需要对这些产品进行校准？这是由于生产这些无线发射、接收设备时，所用元器件的绝对精度通常不足以满足设备频率、功率电平和其它参数的性能目标。因此， Aguilera 有谁用过ST7576 128*64 LCD 吗？ 有谁用过ST7576128*64LCD吗？可不可以给我发个Datasheet，多谢了！有谁用过ST7576128*64LCD吗？ academic 不能进入外部中断 RCC_APB2PeriphClockCmd(RCC_APB2Periph_GPIOC|RCC_APB2Periph_GPIOB|RCC_APB2Periph_GPIOA|RCC_APB2Periph_AFIO,ENABLE);NVIC_InitTypeDefNVIC_InitStructure;EXTI_InitTypeDefEXTI_InitStructure;NVIC_InitStructure.NVIC_IRQChannel=EXTI9_5_IRQChannel;NV feiyun 网友正在看 CC1310软件速成 - CC1310架构及工作原理 应用开发基础（三） 什么是信号与系统 Level Logic_ Basics TI近场供电NFC参考设计介绍 tcpip基础（五） IO-Link 解决方案 机电一体化在线研讨会系列 Part 1
