本课程为精品课，您可以登录eeworld继续观看： Addition and Scalar Multiplication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 采用硬核浮点的设计输入 [高精度实验室] 传感器技术 : 温度传感器 jQuery应用视频 Google Wear可穿戴系统通信机制破解 GoKit 开发套件从入门到精通 Atmel - 简易利用Atmel ATSHA204 保护您的设计 电源设计小贴士53：采用 P-Sprice 设计电源控制环路 升压变换器的输出电流精确限流方案 热门下载 场效应晶体管及其集成电路 经典教材：《电子元器件及手工焊接》(7).pdf 单片机控制的LCD心电监护仪的设计 AMC7150cv资料 μPD7802808单片机的功能及应用 Verilog HDL语言的PPT教程。包括简介、逻辑概念、语法和示例。 遗传工具箱及代码 HDS组态软件功能演示工程 数字电路课程设计教学大纲.doc Digital Signal Processing Using MATLAB 3rd Edition, by Vinay K. Ingle and John G. Proakis.pdf 热门帖子 LDO测试项目咨询 我知道在DCDC有一些测试项目，或者说是技术指标比如说lineregulation、loadregulation、efficiency、ripple、transientresponse。最近我做了一个LDO的8转5V的，LDO方面是不是也有相应的一些指标，是不是跟DCDC一样，还是说有其他的LDO测试项目咨询额LDO技术手册上不是有么？LDO的8转5V的芯片比较多，一般都能满足。比如1117什么指标主要看电路什么要求了。线性调整率是输入电压变化时，看输出电压的变化 mokedeng 国外经典教材--模拟集成电路的分析与设计(英文版) 模拟集成电路的分析与设计(英文版)《模拟集成电路的分析与设计介绍模拟集成电路的分析与设计。全面阐述了模拟集成电路的基本原理和概念，同时还阐述了模拟集成电路的新技术和新《模拟集成电路的分析与设计（翻译版）（第4版）》共十二章。前七章介绍了集成电路放大器件模型，双极型、MOS和BICMOS集成电路技术，单级放大器与多级放大器，镜像电流源、有源负载和基准源，输出级，单端输出的运算放大器以及集成电路的频率呼应第八、九章介绍了反馈，反馈放大器的频率呼应和稳定 tiankai001 【晒样品】+用于系统唤醒和中断的基于电容的人体接近检测参考设计 经历了点小波折，但是最后样品还是到手了，在官网选择器件并下单，现在最多可以申请5片了，比以前好了啊！！晒下图片，封装有点小啊，没有拍照片了，希望能尽快用上。。【晒样品】+用于系统唤醒和中断的基于电容的人体接近检测参考设计求样品申请链接hackerone发表于2015-1-2915:36求样品申请链接 请关注活动详情hackerone发表于2015-1-2915:36求样品申请链接 http://www.eeworl swustlx86 MSP430低功耗问题 这两天用MSP430F5438A做一个低功耗项目。关于怎么尽可能的降低功耗，想请教下诸位大神。在数据手册上看到这么一段：UnusedI/OpinsshouldbeconfiguredasI/Ofunction,outputdirection,andleftunconnectedonthePCboard,topreventafloatinginputandreducepowerconsumption.ThevalueofthePxOUT 两个人的烟火 MSP430g2553时钟设置 请教各位大哥，MSP430G2553的内部时钟是怎么回事，内部的DCOCLK，有没有详细点的说明啊。还有这块板子怎样才能把P2.6\\P2.7口接的晶振起振。我接的是8M。MSP430g2553时钟设置一般应用DCO就行了吧？为什么要用外接晶振呢？给你个论坛的教程参考写的很不错哦 回复楼主LG676562的帖子有用，先来看看P2.6\\P2.7之间接的是ACLK的时钟源，典型值是32768Hz的手表晶振，怎么能接8MHz的晶振呢？？？并且LaunchPad不支持 LG676562 KEIL C51最新版本 c51v953 http://yunpan.cn/Qav4jQ5ysrgdg提取码7b4d更多Keil软件：http://yunpan.cn/Qav4HhFc4izQb提取码13ccKEILC51最新版本c51v953资料很全，真的太太感谢了不错，这样子的分享才是真正的分享，直接的网盘分享，要方便了！非常的感谢楼主了感谢楼主了對版主感激不盡 paulhyde 网友正在看 1.重点产业电池组应用 螺旋天线 直流电桥2_操作 转子流量计 Files structure PCB布局规范讲解 接口传输方式对比 PID计算方法与参数整定
