本课程为精品课，您可以登录eeworld继续观看： Matrix Matrix 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 小波与科学 神奇手套SignAloud,能将美国手语实时翻译成文字和语音 直播回放: 大唐恩智浦 - 具有阻抗检测功能的新能源锂电芯电池管理方案 直播回放: ADI 惯性 MEMS 传感器的应用价值与选型 研讨会： MEMS 产品和技术解析 机器学习技法 直播回放: 深度学习算法在 ADAS 处理器 TDA4VM 的应用与部署 micro bit入门应用视频教程 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 gnuradio+hackrf实现收音机，有问题 gr-osmosdrv0.1.x-xxx-xunknown(0.1.5git)gnuradio3.7.10built-insourcetypes:fileosmosdrfcdrtlrtl_tcpuhdplutosdrmirihackrfbladerfrfspaceairspyairspyhfsoapyredpitayaUsingPlutoSDRURI=ip:pluto.localERROR:Unabletofindhost:Na He的皮亚诺 光电子学与光子学：原理与实践 本书是光电子和光子学领域的经典教材，主要内容包括光的波动性、介质波导与光纤、半导体学与发光二极管、受激辐射器件光放大器和激光器、光电探测器和图像传感器、光的偏振和调制等。每章除了基本内容外，还给出了一些附加专题来适当介绍先进技术和产品化光电子器件的实例，扩大和深化读者对基本内容的理解。本书力求采用尽可能少的数学推导而强调通过物理概念来说明原理，提供了许多例题和习题，使得基本概念与实际器件相联系。本书可作为光电子科学与技术、电子科学与技术、物理电子学专业本科生的 arui1999 求如何将txt里面的数据送进串口 就是类似于图片那一种，我想发送给msp430，430里面的程序已经写好了，可以正常收发数据求如何将txt里面的数据送进串口不知楼主说的是不是将PC的TXT文件内容通过串口发给MCU，如是，很简单，使用串口助手，将文件内容粘贴到串口助手的数据窗口内然后点击发送即可。不过要注意MCU的存储器容量。chunyang发表于2014-12-1818:13不知楼主说的是不是将PC的TXT文件内容通过串口发给MCU，如是，很简单，使用串口助手，将文件内容粘贴到串口助手的数据窗口内然后 jianping-sun C# .NET 四年开发经验中高程->想转作嵌入式领域--困惑!!!!!!你有同感吗?? 我是2003年大学毕业后一直在北京从事企业应用信息软件开发工作,目前年薪8万左右;算是有一定的工作和开发设计经验了.现在对工作的东西,重复工作很多;向系统构架师或是技术型管理人发展是一条可以选择的路.但现在常常感觉在.NET应用开发领域里,被束缚得太多,平台限制,被牢牢绑定在WINDOWS下;越来越觉得没什么太多技术含量(指大部分一般应用,除特例),无非是行业特定任务需求分析-软件模型分析-系统构架设计-开发编码-测试-评审-提交正式版本(指一般业务MIS软件开发, jeffleee DDK中的一个例子msplot（打印机驱动 我在其中的DrvTextOut()函数中添加代码加载我自己写的一个DLL，DLL的内容是将要打印机的信息输出到一个文件中。用Build编译的时候没有问题。可是安装驱动后，假如我要将一个记事本文件的内容打印到文件中时，只打印了一次（要打印很多次才能完成打印的），然后记事本报错；假若我要将一个WORD文件的内容打印到文件时，也是只打印机了一次，然后WORD报错。可是我假如不用DLL，将DLL的函数直接写到DrvTextOut()函数中时，打印不会报错，而且可以完成我要的工作。请问这是怎么回事？ 10317E 【原创】也来评评微软收购诺基亚 作者：gooogleman日期2013.09.04最近很忙，所以没怎么更新博客，但是昨天看到“微软低价收购诺基亚”的新闻，虽然预感会有这么一天，但是听到确切消息，还是非常震惊，恨铁不成钢！一个出过无数机皇经典，一个连续14年称霸世界手机市场的老大，居然在短短两年时间成为别人的囊中物，我不禁要问：是谁毁了诺基亚？！最直接的当然是微软间谍埃洛普了，整个事件的经过，基本是诺基亚选择了wp系统，选择微软的间谍 gooogleman 网友正在看 BIST2 Parallel ORA MISR 软件自带原理图库介绍与编辑 第5课 NAND FLASH控制器 各种模拟调制抗噪声性能分析及应用 ams 医用/工业CT医疗影像探测器芯片应用与解决方案 VSB和幅度调制抗噪声性能分析 字符设备驱动（第一节） 智能扬声器投影技术
