本课程为精品课，您可以登录eeworld继续观看： Normal Equation Noninvertibility (Optional) 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： Matter标准和采用CryptoAuthentication™ IC的安全身份验证 MSP430 FR4X/2X系列培训 2016 TI 杭州研讨会（上） 最新的ARM技术以及嵌入式发展动态 (下) MSP430FR2311介绍 如何搭建一款简单而高效的 2W 以下隔离型电源 Atmel软件框架(ASF)入门(上) STM32F10x USB技术培训 热门下载 场效应晶体管及其集成电路 经典教材：《电子元器件及手工焊接》(7).pdf 单片机控制的LCD心电监护仪的设计 AMC7150cv资料 μPD7802808单片机的功能及应用 Verilog HDL语言的PPT教程。包括简介、逻辑概念、语法和示例。 遗传工具箱及代码 HDS组态软件功能演示工程 数字电路课程设计教学大纲.doc Digital Signal Processing Using MATLAB 3rd Edition, by Vinay K. Ingle and John G. Proakis.pdf 热门帖子 kl25的TPM无法使用 无论怎么配置TPM，都输出不了波形，而且计数器也不运行，不知怎么配置，下面是我的代码： voidTPM_init() { SIM_SCGC6|=(SIM_SCGC6_TPM0_MASK|SIM_SCGC6_TPM2_MASK); //PORTB_PCR18|=PORT_PCR_MUX(3); //PORTB_PCR19|=PORT_PCR_MUX(3); PORTD_PCR1|=PORT_PCR_ISF_MASK|POR beian10 求教波形是如何产生的 书上说，方波通过上面的电路，输出的波形如下：请高手给详解一下波形产生的过程\0\0\0eeworldpostqq求教波形是如何产生的没有输入波形，谈什么输出波形如何产生？猜测输入是持续时间为t1～t3(实际要比t3早一些结束)的矩形脉冲。如果是的话，那么t1～t3的输出是由于输入脉冲使三极管V2饱和导通产生的，t3～t4较低的“平台”是变压器电感储能产生的(此时三极管已关断)。maychang发表于2015-2-100:38没有输入波形，谈什么输出波形如何产生 通通 timequest快速入门实例及时序查看 \0\0\0eeworldpostqqtimequest快速入门实例及时序查看谢楼主分享谢楼主分享，学习学习感谢分享 xiefei 最佳兼容性和快速USB充电方案（D1522，21应用资料） \0\0\0eeworldpostqq最佳兼容性和快速USB充电方案（D1522，21应用资料） blink VerilogHDL那些事 \0\0\0eeworldpostqqVerilogHDL那些事这本电子书不错黑金出品的谢谢楼主分享 HHeLi 学习学习高大上的——波音747中文操作手册 波音747-400型客机的中文操作手册，好复杂的系统！真是高大上的学习资料啊，不知道你是否有兴趣啊。http://download.eeworld.com.cn/detail/castor_xu/551429学习学习高大上的——波音747中文操作手册这种文档都能弄到？强！！有空了学习学习，说不定哪天双色球系统出错，让我中了5个亿，买一架玩玩哈哈，我就盼着那一天啦，也跟着蹭蹭头等舱坐坐！看看再说！！嗯，肯定有心得！ 快羊加鞭 网友正在看 选择最适合您应用需求的ADC架构 第1部分：精密SAR和Delta Sigma模数转换器 第一章 第2讲 导论（四） LPC80x 微控制器系列: 生态系统介绍 NXP PEPS 应用方案 Linear classification1 自动驾驶的矫正 电路方程的矩阵形式（一） 数据校验和防碰撞算法（二）
