本课程为精品课，您可以登录eeworld继续观看： Plotting Data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 LabView实用技巧系列视频 2018 PSDS 研讨会系列 - (2) 同步整流的控制及其挑战 如何将你的Arduino项目缩小成一个芯片 直播回放: Keysight 是德科技的蜂窝车联网（C-V2X）测试解决方案 2018 PSDS 研讨会系列 - (3) 基于氮化镓和硅管的有源嵌位反激变换器的比较 LTM4620效率 升压变换器TPS61088的输出短路保护方案 华清远见嵌入式教程合辑（Linux、DSP、FPGA） 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 可穿戴设备的无线充电如何设计解决方案 可穿戴设备正作为电子元件的一个重要市场领域而迅速兴起。这类设备的一个关键要求就是便利性，不仅表现在能够访问移动物体上的数据方面，而且还能确保电池每天都有足以持续一整天的续航时间。如果用户必须插入设备使其整夜充电，那么有些时候就很有可能忘记充电，睡醒后才发现设备在接下来的一天时间里将无法使用。无线充电功能为电子设备带来一种更便捷的充电方式。进行无线充电时只需将电子设放到充电垫上，无需在待充电设备中插入微型USB或类似电缆，而且用户可以把充电垫放在容易够到的地方。如果无线充 Jacktang 传感网都有哪些技术呢？ 很多人在看到传感网时脑子里不觉的就会联想到物联网，对于传感网和物联网之间的关系也存在不同的声音。有一种声音是传感网是包含于物联网中的，而还有一种声音是传感网和物联网是同一种东西，就好比传感网是大名，物联网是小名那样。不管是否是不是同一个东西，既然这么难以明确的区分开，想必两者之间肯定有很多相似的地方，接下来就围绕传感网做一个详细的分享。一、什么是传感网？对于一个事物往往是从解读它的概念以及理解它的定义开始的，那么什么是传感网呢？传感网是指随机分布的集成有传感器、数据处理单元和通信单 ohahaha 话说现在KEIL软件仿真怎么要暂停了才能看到结果？ 举个栗子吧，就说闪烁LED灯吧，以前软件仿真是直接IO界面能看到仿真，现在运行的时候不会动了，只是暂停调试的时候会发现其实是运行了的。什么情况？是设置什么搞错了么？话说现在KEIL软件仿真怎么要暂停了才能看到结果？没明白楼主的意思硬仿还是软仿设置断点还是怎么了最好上截图说一下qq849682862发表于2014-8-2520:37没明白楼主的意思硬仿还是软仿设置断点还是怎么了最好上截图说一下 比如说你写了一个LED灯的程序，那软件仿真的IO界面那不是可以看 hgmmym TI 在南京举办研讨会了 新晔电子/TI联合举办工业应用研讨会（8月30日南京）新晔电子（SerialHK）联合德州仪器（TI）举办工业应用研讨会，诚邀您的参与。我们将与您分享最新技术以及最新产品、应用方案和市场趋势,现场更有互动环节，专业工程师为您解答问题，更有丰厚的奖品和幸运大奖等你来拿，欢迎各位前来参加。报名!请点击!日程：TimeTopic12:00-13:30签到13:30-13:35欢迎词13:35-13:50TI南京办负责人致辞13:5 qwqwqw2088 wince and dsp hpi 通信 现在想用arm和dsp来实现视频监控，目标是经过dsp处理以后的图像用hpi传到arm然后在arm上用sd卡实现存储现在想问一下就是怎么来实现从hpi传输过来的数据实现存储谢谢各位了就是这么把从总线上传过来的数据实现保存winceanddsphpi通信hpi没接触过帮顶LZ需要实现两个部分的功能：1.ARM与DSP的HPI传输，这个直接用ARM的外部总线接口的，我们用的NCS0.设置的时候注意把总线的位数（外部总线可以一般可以设置成8位、16位和32位）和时序设置正确 ojo 使用STM32开发光纤通信系统固件模块 光纤通信要强抗干扰能力强，速度快，频率高的控制模块，STM32系列单片机完全满足要求且能够容易满足光纤通信系统所需的电子兼容环境。使用STM32开发光纤通信系统固件模块光通信系统最难关键点在光纤到户以及光纤连接与耦合，需要性能比较好的单片机。STM32系列单片机是首选。光纤通信系统在控制领域主要控制半导体激光器的泵浦光波长，以此来使激光器选择合适的分束波长。光纤通信技术的飞速发展以及单片机集成电路技术的发展，使STM32系列单片机脱颖而出成为光纤通信领域的翘楚。光纤通信 liangxinpaul 网友正在看 频谱的线性搬移电路（一） Pathological Data Sets and Universal Hashing Motivation TinyEngine - Efficient Training and Inference on Microcontrollers EMC共地干扰问题解析 離散F轉換 - 8_傅立葉轉換範例 - 週期三角函數 北京大学课程：电磁学28 F题—纸张计数显示装置解析与交流 总线及其形成（四）
