本课程为精品课，您可以登录eeworld继续观看： Matrices and Vectors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 电源设计小贴士41:DDR 内存电源 点9切图法在Android UI设计中的运用 [高精度实验室] 运算放大器 : 5 带宽 用LaunchPad BoosterPack生态系统快速建立原型（2） 示波器XYZ及选型 TDA2x SOC系列（2）：前置摄像头应用 汽车 mmWave 传感器演示系列视频 CMOS模拟集成电路设计 东南大学 吴金 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 硕士论文<<WinCE/ARM平台上的XX应用软件开发>>，如何体现出算法？ 我朋友，硕士毕业论文WinCE/ARM平台上的XXXX应用软件开发，按硕士论文标准，如何体现出算法？请给一些意见.硕士论文>，如何体现出算法？不知道XXXX是什么，谈什么算法!算XXXX吗？？？搞个音视频解压缩软件，你自己写个算法不就体现出来了这个听起来很难哦~~~研究生也可以混毕业的，最好找个现成的算法参考，然后加以适当的改进，论文就有血有肉了，大部分的“专家”很好糊弄。接分接分同庆同庆但是还得加班啊~——~我朋友想写一个有真材实料的论文，这样自已也可提高。那 aofa 想请教大神这个运放电路怎么分析，求大神指教，感激谢谢 运放的正负输入级那里的C31和C20什么作用，还有前面一大堆电阻电容什么组合，还有这个运放的放大倍数怎么算，麻烦大神帮我分析下电路，不胜感激想请教大神这个运放电路怎么分析，求大神指教，感激谢谢菜鸟作答：C31，滤波；C20，RC滤波（注意R54）。前面一大堆，同样……滤波……这个电路抗干扰能力，非常强。（下班了，放大倍数，自己算）:) C20与R54构成低通滤波，截止频率大约是700Hz。C27与R30、R31、R38等构成反馈网络，该反馈网络有一个极点与一个零点，极点频率大约是 pqa cc2430程序 在CC2430应用程序中没有进行对引脚的操作指令，但程序进行了长时间的运行后出现某I/O引脚被改变。请教各位大虾。还有对2430的flash操作过度频繁会不会导致应用程序死掉呢？flash中的数据会不会由于操作flash的过度频繁而导致读写出错呢呢？cc2430程序 frankwoods 电磁功能复合材料在雷达天线罩的应用 作者：彭华新，教授、浙江大学；秦发祥，研究员、浙江大学电磁功能复合材料按应用领域和功能特性可以分为电磁屏蔽、电磁感应和超复合材料三大类。电磁屏蔽功能复合材料是指通过对复合材料的结构参数的设计，如层数、功能相体积分数等，对电磁波以大部分吸收或反射的形式实现屏蔽和电磁防护的效果，例如军事用雷达天线罩等。同样，利用含量较少功能相对外场灵敏的响应可以实现其复合材料在弱场下的强电磁感应特征，在工程结构健康监测上有重要应用价值。最近新提出的超复合材料的概念则是采用周期性排列功能相的办法在 btty038 嵌入式系统软件反盗版问题 我想知道怎么能做到一套硬件系统唯一对应一套软件，关键硬件没有唯一性，要是cpu或存储器能有个序列号就好办，一般的flash是不都没有串号或者叫序列号？三星的K9F1208U0M好像没有啊！嵌入式系统软件反盗版问题硬件如果有CPLD/FPGA，可以做个简单的算法和CPU交互，有些CPLD/FPGA甚至集成了key的功能，如果有网卡的话，可以用网卡的mac计算一个key，用以激活软件功能，软件和硬件都可以用工具生成的，一般公司出厂硬件的时候，都在烧程序之前将固定几个位置写上不同的值，这就是 hhs6853 一本RF的好书 -------《无线通信射频电路技术与设计》 本帖最后由dontium于2015-1-3015:23编辑 刚刚下载的，看了后觉得非常好，可惜是逐页的图片，正在整理。转换为PDF时，不知道这个图片是什么格式，Acrobat不认，所以只有一页一页地将图片编辑---另存为……---选择文件类型……，然后再一页一页地“插入”PDF文件中。等我慢慢整理，献给大家个好的文档，以下回复可见，给大家一个挣工分的机会Timson，如果您要查看本帖隐藏内容请回复Timson，如果您要查看本帖隐藏内容请回复 dontium 网友正在看 Lec 9, Other Examples of Diode Circuits, Half-Wave Rectifier 多分辨率分析 设计约束及时序分析2 ESP8266使用方式 Nyquist稳定判据（二） 自动控制原理6-8 视频大纲与学习目标 (8b) Designing with the F2870x and F2837x Microcontroller Family (2)
