本课程为精品课，您可以登录eeworld继续观看： Matrix Vector 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 2015电源设计研讨会: 定频降压型变换器的控制策略 Sitara™产品家族介绍_2016 TI 嵌入式产品研讨会实录 利用神经网络的目标检测和识别 智能控制导论 TI 15.4 协议栈，以及低功耗远距离传感器到云端解决方案介绍 Microchip Wi-Fi模块的连线种类与方法 SAM4L: 功能概述 TI 针对穿戴设备应用的系统化解决方案详解 热门下载 用英特尔28Fxx0B3高级引导块和AMD 29LV160 29LV800 29LV400实现多源设计 手机校准的详细分析 源程序，关于建立UART通信，只要UART通信搞定，相信你会 stm32点灯实验 模煳控制理论及其在过程控制中的应用 DSP微光视频实时图像处理器软件系统设计 4.4 多指令流出技术.ppt 很全的电子元器件基础知识讲义【精心制作完整版】.pdf Spring实战[第三版] 无陀螺微惯性测量组合的优化算法研究 热门帖子 RS-485接口保护电路综合版本,比较专业 ----处理闪电和ESD感应情况的最好方法是从敏感元件上将瞬态电压转移走。一般由一个并联连接的保护器件完成。发生瞬态事件时,瞬态电流通过瞬态抑制器分流,使被保护电路上的电压降低。RS-485接口保护电路综合版本,比较专业不错，学习下很好,很不错这个应该算广告吧。。。。。非常感谢是广告吗，下来看看，鉴定一下，呵呵学习学习 cobble1 HDTV 接收机应用中高速 PCB 的成功设计 作者：Kugelstadt，德州仪器(TI)高级系统工程师www.ti.com.cn引言针对使用HDMI多路复用中继器的用户，本文提供了如何通过精心设计印刷电路板(PCB)来实现器件全部性能最优化的设计指导。我们将对高速PCB设计的一些主要方面的重要概念进行解释，并给出一些建议。本文涵盖了层堆栈、差动线迹、受控阻抗传输线、非连续性、布线指南、参考平面、过孔以及去耦电容器等内容。层堆栈HDMI多路复用中继器的外引脚是专门针对HDTV接收机电路中的设 莫妮卡 第四周庆科Open1081使用心得WIFI基本Demo测试 本帖最后由天之玄幻于2014-11-2400:27编辑 Wifi测试：1.打开工程Demo1_WiFi_Link，通过Jlink下载程序，串口打印出附近wifi信息如下：StartscanconnecttoChinaNet-D6Ca.....Find19APs:SSID:LENOVO-PC_Network_1,Signal:52%SSID:ZYQzyq520,Signal:52%SSID:TP-LINK_788368,S 天之玄幻 数码管发光暗，是因为扫描频率低吗？ 数码管发光暗，是因为扫描频率低吗？还有第一位数码管为什么特别亮呢，从硬件原理解释一下，谢谢！数码管发光暗，是因为扫描频率低吗？应该是你程序上的问题，扫瞄时间不均等哈普中的51开发板大学时代第一块开发板至今还收藏着你把最后一位显示个1看看slotg发表于2014-11-2111:05应该是你程序上的问题，扫瞄时间不均等 但是我把排线调换一下位置，还是那一位最亮qq849682862发表于2014-11-2111:13哈普中的51开发板 setupsong 【X-Nucleo心得】收到X-NUCLEO-IDB04A1并安装MDK 本帖最后由ddllxxrr于2014-11-2310:22编辑 收到了X-NUCLEO-IDB04A1,上照片哈：来时的包装：反面，还是意大利货正面：由于本人的电脑装的是MDK4.72没有这款芯片，所以我就升到了MDK5了也下了，st的那个开发包：里边有个DEMO的例程。编译了一下。通过并下进了板子：【X-Nucleo心得】收到X-NUCLEO-IDB04A1并安装MDK很不错啊。不错不错好东西啊楼主可以好好玩了啊 ddllxxrr 【我的 Nucleo 】看看所带的LCD Nucleo的运算速度慢，储存空间小，按说，不应该带TFTLCD的。但本设计使用它带的TFTLCD为240X400，并且带触摸屏，使用TSC2046。当然，不能用它显示真彩照片之类的东西，只想用它显示图标，以节约存储空间。并显示字符及部分汉字。现在把显示这一部分做好了，因为在调试阶段，没有把LCD调得太亮，不能在室外太阳光下照。【我的Nucleo】看看所带的LCD dontium 网友正在看 积分模块（一） Makefile的条件分支 PWM DAC实验-M3 （七） 基于小于1GHz和低功耗蓝牙BLE双频产品CC1350,设计创新的本地和云端连接产品(1) 实现原地转弯 第六讲：AMBA协议规范概述 第十八讲 数模转换器DAC0832一--力天手把手教你学单片机之实战篇十一 FIFO IP 核实验程序设计
