本课程为精品课，您可以登录eeworld继续观看： Gradient Descent in Practice I - Feature Scaling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 直播回放: 人机互动介面和机器视觉应用上的最佳助手 - 瑞萨电子 RZ/G, RZ/A 和 RZ/V SoC系列 研讨会：ADI 在中国能源互联网应用中的技术及产品 什么是 I2C 设计工具？ WEBENCH PMU Power Architect-使用PMU优化您的电源设计 手把手教你学STM32电机专题 基于ARM的嵌入式Linux系统开发 中 暖春五应用, "芯"系健康, TI 方案详解 汽车ADAS（先进驾驶员辅助系统）动向 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 pxa270 flash eboot 各位大虾，我在启动eboot时出现下问题，经调整电路后出现了如下的问题：***Enteringcheck_device()***SearchingforNON-H3Device...TrueFFSsayshello.NON-H3DeviceNotfound...SearchingforH3device...Searchingdevicesonsocket#0...Memorywindowsetto8KBMemorywindow kevinwudian PC817A—C 光电耦合器 PC817A—C光电耦合器分为两种：一种为非线性光耦，另一种为线性光耦。非线性光耦的电流传输特性曲线是非线性的，这类光耦适合于开关信号的传输，不适合于传输模拟量。常用的4N系列光耦属于非线性光耦。线性光耦的电流传输特性曲线接近直线，并且小信号时性能较好，能以线性特性进行隔离控制。常用的线性光耦是PC817A—C系列。开关电源中常用的光耦是线性光耦。如果使用非线性光耦，有可能使振荡波形变坏，严重时出现寄生振荡，使数千赫的振荡频率被数十到数百赫的低频振荡依次为号调制。由此产生的后果是对 tonytong 【好书共读——《开关电源仿真与设计-基于SPICE》】——006 小信号建模讨论 小信号建模讨论开关电源的小信号模型主要推导了开关电源的平均模型，并描述了不同的平均模型，开关电源的各种平均模型，可以分为态空间平均（SSA）、电压模式、电流模式、寄生元件效应、在边界导通模式下的PWM模型、PWM开关模型的电路集以及其他开关电源的平均模型等。态空间平均模型（SSA）提供了一种推导变换器传输函数的方法，这是一种很长很复杂的过程。它主要针对整个变换器的工作原理进行分析，其优点时对变换器转换原理剖析叫清晰，涉及到每个电子元器件及其寄生参数。但缺点也很 zyb329321151 基于至简设计法实现的PWM调制verilog 明德扬分享的调制PWM驱动LED工程,利用脉冲宽度调制调制出几个不同宽度的脉冲来驱动LED灯，添加verilog文件即可使用。基于至简设计法实现的PWM调制verilog多谢楼主分享多谢支持！:) PKJIE吴 msp430g2553 中文版 数据手册 和 用户指导 msp430g2553中文版数据手册和用户指南msp430g2553中文版数据手册和用户指导 对送 计算机组成与体系结构：性能设计(原书第8版) 《计算机组成与体系结构:性能设计(原书第8版)》以intelx86和arm两个处理器系列为例，结合当代计算机系统性能设计问题，介绍了计算机体系结构的主流技术和最新技术。本书共18章，分5个部分，第一部分（第1~2章）概述计算机组成与体系结构，并讨论计算机的演变和性能；第二部分（第3~8章）讨论计算机的主要部件及其互连；第三部分（第9~14章）讨论处理器的内部结构和组织；第四部分（第15~16章）讨论处理器中控制器的内部结构和微程序设计的使用；第五部分（第17~18章）讨论并行组织，包括对称多 arui1999 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
