本课程为精品课，您可以登录eeworld继续观看： Working on and Submitting Programming Exercises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 2014年Altera杯大学生电子设计竞赛作品集锦 直播回放: 安森美高能效产品在 EV-Charger 市场的应用 无线智能电子门锁设计方案分享 python3视频教程 电机与拖动基础（石油大学） 直播回放: TI 芯技术助力电机开发 [高精度实验室] 了解和比较高速模数（ADC）和数模转换器（DAC）转换器架构 直播回放：用校准降低仪器测量不确定度, 提高测试精度 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 虚拟网卡如何编写? 我希望写一个虚拟网卡驱动,这个驱动完成的功能是,可以在添加硬件里面添加这个驱动,然后在网络里显示一个本地连接,可以设置ip,在设备管理器里多了一个虚拟网卡.然后再创建一个设备,设备可以和这个虚拟网卡进行通信.设备和虚拟网卡都在同一个网段里.虚拟网卡如何编写?简单的说，NdisMRegisterMiniport，实际上当然比这个复杂，看DDK。每天回帖即可获得10分可用分！小技巧：教您如何更快获得可用分figo_liu1008我看了一部分DDK,NDIS有三种方式,我该选择哪一 fhnnel 路由器的子设备列表 如何超时清除呢？ 如果连接路由器的终端关闭，之前此终端在路由器的子设备列表的列表项如何超时清除呢？如果无法清除，子设备列表满的话，就无法增加新的节点了。 路由器的子设备列表如何超时清除呢？是的，zstack到2.5的版本都一直有这个问题，关联表没有开放代码，只能利用API偿试删除记录，或者等新的版本看有没有超时自动删除的功能.回复楼主ljt8015的帖子哪个api能解决此问题？哪个api能解决此问题？ ljt8015 想买一个二手的STM32的开发板，谁有？ QQ453682835，或电13250157644广州市价格低于200元本站强荐:185娱乐）城.足球）真_人.彩票齐全）手机可投）注任何游戏.首次开户送10元.首存送58元.信誉绝对保证185.cc想买一个二手的STM32的开发板，谁有？楼主想买什么配置的？那个系列的片子？多大的屏？我在坛子里推荐过几块，性价比都不错，你可以找找本站强荐:185娱乐Ｐ城.足球Ｐ真_人.彩票齐全Ｐ手机可投Ｐ注任何游戏.首次开户送10元.首存送58元.信誉绝对保证18 keli55 Small Cell必将产生大影响 SmallCell基本上是一种覆盖范围和尺寸均小于传统大型基站的移动无线装置。那么，为什么覆盖范围更小且必要构成设备的功能丰富性不及大型小区的SmallCell反而能够获得日益成长呢？此处，需要注意的重要一点是，SmallCell一词并非标准用法，其有时可表示上至尺寸略小的非传统基站，下至分布式天线系统（DAS）和5G原型基站等新兴技术系统的所有此类设备。虽然人们对SmallCell存有一定疑虑，但是其可能成为向城市化程度日益发展的当今世界提供更佳的无线服务的解决方案的一部分，并成 zqy1111 PCB设计技巧百问 1、如何选择PCB板材？2、如何避免高频干扰？3、在高速设计中，如何解决信号的完整性问题？4、差分布线方式是如何实现的？5、对于只有一个输出端的时钟信号线，如何实现差分布线？6、接收端差分线对之间可否加一匹配电阻？.......一博科技整理了100个常见的PCB设计技巧，供大家学习参考！PCB设计技巧百问感谢分享咯。不错，感谢分享个人觉得还是比较有价值不错，感谢分享谢谢分享了，菜鸟学习中 yvonneGan DIY专属新年礼，赢1808元TITAN套件！ 新年新气象，想为亲朋好友送上一份科技感爆棚的礼物吗？比如：超人气网红卡皮巴拉小助手；贴心又实用的触觉水杯、触觉鞋垫；包裹着满满甜蜜的心形点唱机、触觉手链；....机会来啦！TITANCore开发套件来助你实现DIY创意礼啦！即刻提交申请，按要求完成你的DIY任务即可获得价值1808元的豪华开发套件，活动优胜者还可再获得面值500元的京东E卡~助你实现创意的利器TITANCore开发套件TITANCore开发套件 okhxyyo 网友正在看 家庭物联网关介绍 第四章-02-结构体成员的默认值 电子测量原理40 布局-PCB封装更新 三阶系统仿真实验 ADI技术及产品支持中国能源互联网.p1 电力电子基础 如何开发DSP在OMAPL138（除了Linux）
