本课程为精品课，您可以登录eeworld继续观看： Moving Data Around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 EZ-BLE PRoC低功耗蓝牙模块介绍 在 Sitara AM572x 参考设计上演示 Jailhouse Hypervisor 虚拟化 机器人基础原理 东北大学 房立金 利用Atmel Studio 6微调QTouch设计达到最佳效能 直播回放: 贝能国际推出基于英飞凌技术的毫米波雷达模组，完美解决PIR市场痛点 直播回放: VectorBlox™ SDK - 个基于PolarFire® FPGA的低功耗人工智能/机器学习推理解决方案的快速开发平台 直播回放: Jacinto™7 工业应用处理器介绍 自制太阳能电池板DIY教程 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 1114积分留恋！！！！ 今天终于1114分了，来之不易啊，和NXPLPC1114还很有缘啊！留恋一下：1114积分留恋！！！！哇塞好巧啊HOHO回复楼主zhaojun_xf的帖子 zhaojun_xf MSP430各种Launchpad仿真器的区别 我学430的时候，所谓的经典入门149/169开发板要好几百，就连盗版的仿真器都要卖200多，传统的官方评估板更是一般人不能触碰的那种高贵，这对学习MSP430来说，是一个高门槛；TI的MSP430launchpad的推出对于学习MSP430的同学来说，绝对是个福利，板载仿真器，连上USB线就可以玩了。这几年来，从第一款G2到现在的G2ET，仅430系列就推出了十余款。俗话说人往高处走，板子也是越做越高端，板载仿真器从最初G2的eZ430仿真器到现在的G2ET已经是eZ-FETv2.0了， lcofjp 请教关于nor flash驱动问题 高手好：我现在做的是64Mnorflash驱动，hzdysymbol给我提供了一份64M的NorFlash驱动代码，现在有些疑问请教各位关于norflash在boot中的操作：1、请问在EBOOT中对NorFLASH进行擦除和写入操作，是否需要定义norFLASH的物理地址,否则硬件怎么能识别出这块norflash2、在处理前4个block的unlock时if((g_FlashDeviceType==L18)||(g_FlashDeviceType= qzhp M57962a驱动IGBT的问题 大家好，我按照下面这个电路图设计的驱动电路照着上面的做了，13号脚给个高电平或者低电平，为什么5号脚输出测G和E极电压怎么都是-15V左右，变换根本不大啊，正常应该是G和E极电压应该是-15变为6V左右可以驱动IGBT呀，为什么5号脚输出电压很低呢至少也有20V啊。请高手帮忙。。。在线等。。M57962a驱动IGBT的问题你只驱动单个IGBT还是做了一个半桥的？你好，我只驱动了一个IGBT你的开关频率是多少。R=2.7KCrev=100uf?是的， lizunjie LED也呼吸--LPC1343 视频版 拍了个LED渐变的视频，手机拍得不是很清楚，哈哈[ LED也呼吸--LPC1343视频版看到后立刻想到了恩智浦的一款产品：恩智浦半导体推出世界首款集成可调光市电LED驱动器——SSL2101。恩智浦SSL2101是一款小尺寸开关模式电源|稳压器（SMPS）控制器IC，专为驱动led设备而设计，并且提供可调光能力，以进一步改善LED照明的能效。SSL2101可以驱动各种具有不同电源要求的照明系统，包括LED改型灯具、led模块、LED聚光灯、射灯以及用于 chenzhufly 为高速电路的设计选择合适的旁路电容 附件是micron的技术文档为高速电路的设计选择合适的旁路电容。亮点：1，介绍了两种计算旁路电容容值的方法；方法一：-IC单一output需要驱动的负载的大小，电压的slewrate，可以得到需要的驱动电流的大小；-考虑worstcase，IC所有的output同时各自驱动同样大小负载，所需要的总的驱动电流的大小就是上一步计算的电流乘以输出端口的数量；-已知IC电源电压的纹波spec，总的驱动电流，可以计算所需要的总的旁路电容的容量；方法二：-计算最大容 nathanzhang 网友正在看 系统信息与资源-申请内存 ThreadX lab - step5 - ThreadX features 映象规则及其变换 Qsys_PIO中断 FPGA入门实例：7寸液晶屏ColorBar显示驱动 离散系统状态空间模型的建立 运用电路分析技巧证明opa反相放大器输入端虚短路特性 1002 Handling exceptions
