本课程为精品课，您可以登录eeworld继续观看： Gradient Descent in Practice II - Learning Rate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: TI 毫米波雷达在汽车和工业领域的最新应用 FPGA时序约束 拆解特斯拉Model3 VCFRONT的前置控制器模块 设计指南-低功耗压力传感器 EXA 让您的测量更简单精准 机器人-人工智能中级教程 直播回放 : TI 最新 C2000 实时控制器，在功率变换应用中实现高性能的成本优化型设计 详解比特币原理和运行机制 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 patBlt()函数有时返回false，不是总这样子 PatBlt(hdc,0,0,zx,zy,WHITENESS)怎么可能失败呢？是因为hdc根本没有获得句柄吗？为什么false也是随机的请大虾指教patBlt()函数有时返回false，不是总这样子沙发，可惜不懂啊。帮你顶吧。 christy 新型数字温度传感器的原理及应用 在传感器技术突飞猛进的今天，多家现代传感器企业提供的新型数字温度传感器，与传统温度传感器相比，具有性价比高、性能优越、可靠性高、使用方便、体积小、灵敏度高和控制电路简单等特点。完全可以替代传统热敏电阻和电阻式温度检测器。新型数字温度传感器原理数字温度传感器也叫热电偶，是将两种不同材料的导体或半导体A和B焊接起来，构成一个闭合回路，当导体A和B的两个执着点1和2之间存在温差时，两者之间便产生电动势,因而在回路中形成一个大小的电流,这种现象称为热电效应。热电偶就是利用这一效应来工作的 chuandong 水流量传感器 请问下论坛有朋友自己设计流量传感器的嘛？或者有什么性价比比较高的流量传感器可以介绍下呢？水流量传感器楼主所说的“流量传感器”，通常称“流量计”。流量计有多种，不过你要是打算自己设计，是办不到的。maychang发表于2015-6-2416:29楼主所说的“流量传感器”，通常称“流量计”。流量计有多种，不过你要是打算自己设计，是办不到的。 为什么呢？wateras1发表于2015-6-2420:08为什么呢？ 前面说过，流量计有几十种，各自适 wateras1 如何产生40MHz的时钟信号？ 小弟是初学者，请问各位大侠怎样产生40MHz的时钟信号啊？(给DA提供时钟信号)如何产生40MHz的时钟信号？买一块有源晶振。谢谢，搞定了，以前还未接触过有源晶振回复沙发仙猫的帖子 守月 FPGA设计流程简介及设计注意事项 FPGA设计流程简介及设计注意事项FPGA设计流程简介及设计注意事项谢谢下了不知道能不能用回复:FPGA设计流程简介及设计注意事项谢谢楼主回复：FPGA设计流程简介及设计注意事项Thanks,有没人能说下ICDESINGUSINGFPGA的流程呢?回复：FPGA设计流程简介及设计注意事项thanks!回复：FPGA设计流程简介及设计注意事项thankyou回复：FPGA设计流程简介及设计注意事项谢谢楼主！！！dddddddddddddddd支持，，，， 呱呱 全桥逆变电路为什么要用驱动电路而不用电平转换电路 为什么信号源输出的PWM信号在驱动全桥逆变电路(比如说MOS的型号为IRF540)的栅极控制端(如图所示S1,S2,S3,S4)时需要接驱动芯片(比如说IR2110)，而不是直接加个电平转换芯片？将PWM信号的TTL电平转换成CMOS电平？全桥逆变电路为什么要用驱动电路而不用电平转换电路须知图中S1和S2两信号电平(暂且使用你所用的这个名称)是对上面两管的源极来说的，不是对电源负端(图中的地)来说的。无论你使用什么“电平转换电路”，其输出都是对图中的地来说的，所以对上面两管不能使用。驱动 平漂流 网友正在看 家庭物联网关介绍 第四章-02-结构体成员的默认值 电子测量原理40 布局-PCB封装更新 三阶系统仿真实验 ADI技术及产品支持中国能源互联网.p1 电力电子基础 如何开发DSP在OMAPL138（除了Linux）
