本课程为精品课，您可以登录eeworld继续观看： Basic Operations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: 使用专属物联网的硬件和软件解决方案，开启嵌入式到云端之旅 Atmel CryptoAuthentication- 安全保护 · 稳固收益（一） MSP CapTIvate自适应传感器PCB设计指南 直播回放 : TI Sitara™ 产品在智能电网中的应用 “盗用”人类大脑的机器人-获得平衡技能 信号处理与系统 PSoC创意项目展示：智能家居触摸按键墙壁开关 TI 智能音频功放介绍 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 【晒样片】一次艰难的样片申请 本帖最后由rain_noise于2015-4-1610:16编辑 在Ti官网上使用的是公司邮箱注册的，以前申请样片的时候一直挺顺利，这次申请的时候，加入购物车的时候提示Itemnolongeravailable.PleaseRemove或者“Pleaseremovethissampleorconverttopurchasefor...”，很是郁闷。给TI发了一封邮件，询问原因，两天后，TI回复了邮件，邮件内容是这样的：T rain_noise openmv3 拍照那点事 拿到板子按照历程学习了用openmv拍了张照片 importsensor,image,time sensor.reset()#Resetandinitializethesensor. sensor.set_pixformat(sensor.RGB565)#SetpixelformattoRGB565(orGRAYSCALE) sensor.set_framesize(sensor.QVGA)#Setframes lehuijie 稳压的问题 我用了一个5V稳压的芯片(LP2951)，可是输出的电压总会在通电一段时间内有2-3毫伏的电压下降，有什么办法啊？稳压的问题楼主真是亮点，3mV/5V，千分之一都不到啊。你做什么要这么高的精度啊。回复：稳压的问题晶体管总会存在一些温漂的，5V只有3mV的波动已经是非常不错的了回复：稳压的问题太正常了，温漂、流经它的电流的变化都可能是原因。一般应用肯定没问题，千万不要拿它来当电压基准。回复：稳压的问题看楼主的要求，是不能用2951了。根据负载和电压，选别的IC吧。回复：稳压的 wh40062 示波器的采样率和示波器存储深度 示波器的采样率和示波器存储深度示波器的采样率和存储深度在选择示波器时，工程师首先需要确定测量所需的带宽。然而当示波器的带宽确定后，影响实际测量的恰恰是相互作用、相互制约的采样率和存储深度。图1是数字示波器的工作原理简图。图1数字存储示波器的原理组成框图输入的电压信号首先进入示波器的前端放大器，放大器将信号放大或者衰减以调整信号的动态范围，其输出的信号由采样/保持电路进行采样，并由A/D转换器数字化。经过A/D转换后，信号变成数字形式存入存储器中，微处理器对存储器中的数字化信 tusho TI AM570x浮点DSP C66x + ARM Cortex-A15开发板的PCIe接口（插槽）、散热风扇接口 PCIe接口（插槽）开发板引出了PCIe4x(Gen2)SLOT接口，2通道，每通道最高通信速率5GBaud，其引脚定义如下图：开发板PCIe接口的支持模式如下表所示：表1 PCIe模式 Aguilera pcb视频 PCB制作遇难题，紧急求助！布线错乱、元件安装总出差池，思路卡壳，大神们快指条明路，附详细问题在评论区！pcb视频详细问题在哪儿？说个具体问题，找个切入口解决解决不行就打孔呗，线布局后布线，布线顺序也有规律具体是什么问题？描述一下呗。 13495100327 网友正在看 Altium Designer—制作封装元件 图像色彩空间（Bayer） BC20模组原理图绘制-串口通信部分 Geomerics Enlighten实时全局照明SDK 触控USB鼠标实验(M3) 明德扬的FPGA设计模板 matlab基本操作函数cylinder C2000DesignDRIVE 位置管理器
