本课程为精品课，您可以登录eeworld继续观看： Normal Equation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 开关稳压器的功率损耗 射频放大器设计 台湾中华大学田庆诚 xilinx zynq fpga视频教程 SimpleLink™Wi-Fi®集成安全功能 [高精度实验室] 运算放大器 : 11 静电释放 (ESD) 手把手教无传感器的InstaSPIN-FOC电机控制技术2 (A) 直播回放: 瑞萨电子 RA 系列产品开发工具之 FSP4.0.0 新特性介绍 VLSI设计基础（数字集成电路设计基础）（东南大学） 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 求嵌入式系统和与传统计算机系统的区别 详细的区别求嵌入式系统和与传统计算机系统的区别google吧百度一下，你就知道。嵌入式系统重实时性和裁剪性，而桌面操作系统重通用性、安全性这个问题google排第一啊，没有啊！貌似那本书上有 pengdingbo CTS相关三采样 相关三采样CTS西安电子科技大学 水天qingyun10002000@126.com 根据Cypress提供的相关双采样CDS+IIR技术,其实在低端应用时可以使用相关三采样线性插值方法，降低实际参考电压与理论参考电压对采样值产生的误差。 对于增量型AD，Σ-Δ型AD在电压高于参考高电压或者低于参考低电压时出现了循环误采样现象，硬件解决方案可以采样限幅，而软件可以使用切换输入信号进行相关三采样校正，前提是你需要一个可以软件更换输入线的AD，或者采用三个AD 别说我傻 双电源自动转换装置设计图集 双电源自动转换装置设计图集谢谢分享谢谢你的好资料。谢谢你的好资料你辛苦了。谢谢楼主的慷慨，这些资料正是我需要的辛苦了實在很高興!可以看到這麼好的知識！謝謝分享!!设计图集比较好，，只不过楼主的头像，总是吓我一跳，晚上不敢看，，，值得好好學習 wzt 你的手机可以变为测试机吗？ 联通公司的员工拿的普通的手机也可以测试信号和占用的频点，觉得稀奇，后来才知道他们是用软件刷出来的，而我们一般要拿专业的测试机去测试~~~~~你的手机可以变为测试机吗？ fish001 ARM 中VPB AHB 的问题 arm为AHB外设和VPB外设分配2MB的地址范围，它位于4GBARM储存空间的最顶端我想知道arm是给AHB外设VPB外设分配了地址范围但他们实际中存放在什么地方？可以举一个具体的例子如lpc系列的芯片菜鸟问题高手勿笑ARM中VPBAHB的问题ding只听说过AHB和APB，没听说过VPB，不知何物VPB是连接片内外设功能的VLSI外设总线实际上在外设的寄存器里呀。地址范围只是为了方便译码，访问特定外设的寄存器。也就是说 tonylc 在IAR5.2版本上的定位问题 有两个问题大家,希望各位指点指点第一,在IAR5.2版本上定义了一个段名,但是在程序中用了@段名,但是不在主函数中调用的话,在我定义段名的地方没有任何代码.哪位前辈给解决下这个是怎么回事呢,第二,听说IAR5版本以下的不存在这个问题,哪位前辈有IAR5以下版本的软件,可以给传一个吗,邮箱han20140806@163.com.在IAR5.2版本上的定位问题补充一问题,第三,假如我换5版本以下的,那我的仿真器还可以用吗不懂，帮顶你单独分配一个地址段出来不就是为了不被其 hanwenli123 网友正在看 the-future-of-intelligent-applications 英特尔FPGA深度学习加速套件介绍 异步电动机矢量控制思想 U-Boot移植 电源设计小贴士14：SEPIC 转换器提供高效偏置电源 PSpice扫描参数 3 Arduino 自定义函数库的开发 操作系统相关概念
