本课程为精品课，您可以登录eeworld继续观看： Classification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 正在载入数据,请稍等... 猜你喜欢 Microchip模拟和接口产品树形导览（下） 电源设计小贴士20：注意那些意外谐振响应 无人机设计导论 - 南京航空航天大学 手把手教你学嵌入式Linux异核通信开发 linux操作系统之父 什么是静电放电（ESD）？ 模拟电子技术基础 低噪声 μModule DC/DC 转换器简化了 EMI 设计 热门下载 期刊论文：基于CCD技术的电机换向片检测系统 基于单片机和射频芯片实现的短距离无线数据传输系统 MTK RF部分 修原理 基于粗糙集的属性约简算法 AT91 ARM在医疗行业中的应用pdf 大学生电子设计竞赛资料信号处理篇 Cadence Allegro SPB V16.5视频 开发环境是FPGA开发工具 24V防雷设计 Genesis常见错误及其解决方法 热门帖子 ST蓝牙开发板免费申请评测参加挑战赛用的测试代码 蓝牙芯片代码可以参考Project\BLE_Examples\BLE_Beacon例程需要做些修改1、添加宏定义纯文本查看复制代码#defineH16(x)(((int)(x))8)#defineL16(x)(((int)(x)))#defineH32(x)(((int)(x))24)#defineMH32(x)(((int)(x))16)#defineL32(x)(((int)(x))8)#defineXL32 littleshrimp Qt学习之路第10篇 标准C++对象模型在运行时效率方面卓有成效，但是在某些特定问题域下的静态特性就显得捉襟见肘。GUI界面需要同时具有运行时的效率以及更高级别的灵活性。为了解决这一问题，Qt“扩展”了标准C++。所谓“扩展”，实际是在使用标准C++编译器编译Qt源程序之前，Qt先使用一个叫做moc（MetaObjectCompiler，元对象编译器）的工具，先对Qt源代码进行一次预处理（注意，这个预处理与标准C++的预处理有所不同。Qt的moc预处理发生在标准C+ 兰博 请教大神：PADS库如何转为AD库 ？ 请教大神：PADS库如何转为AD库？谢谢！请教大神：PADS库如何转为AD库？PADS的库文件还真能转为AD库的文件，至少AD9能做，操作起来比较麻烦，不是几句能说清楚应该度娘哪里能找到教程https://jingyan.baidu.com/article/2a1383289a8299074a134f1e.html这里https://wenku.baidu.com/view/bb16a64371fe910ef02df83a.html yhye2world TIVA C控制器timer的PWM输出 最近一个项目用到红外收发，需要调制一个38K的信号，我用的片子是TM4C1231H6PZ，没有PWM模块，就想着试用一下timer的PWM功能，刚开始用了半天没调处来，后来才发现自己做的时候呆逼了，现在把最终代码发出来一下，大家可以看一下别出现我的问题。查询手册，为了布线方便，我使用的是这个管腿。使用的为WT4CCP1，由于看芯片手册看的不仔细，我这回最大的问题出在了这个WT，也就是宽定时器，以前都是用的普通定时器，没注意这个W，结果刚开始都是按照普通定时器来初始化的（一脸懵逼）后来才发现， zhychmine sprc097.zip sprc097文件，学TI的dsp的人应该知道的sprc097.zip很好的资料，正需要！！！！！祝你发财，发大柴 江汉大学南瓜 DSP之信号采集通用输入/输出GPIO的测试 GPIO作为通用的输入/输出端口，其方向通过I/O方向寄存器IODIR可以设置，并且引脚上的电平通过I/O数据寄存器IODATA来反映，CPU和DMA控制器可以在I/O空间访问这两个寄存器。GPIO的测试分为输入口测试和输出口测试两种。1．输入口测试输入口测试步骤如下：（1）通过I/O方向寄存器IODIR设置某一个引脚为输入方向；（2）在已设置为输入方向的引脚上外加LVTTL信号；（3）DSP访问I/O数据寄存器IODATA，查看引脚上的逻辑电平，与外加LVTTL电平进行比较，来检 fish001 网友正在看 七段数码管与逻辑控制 电子测量原理21 引言-规则阵列的缺点 基于互联网的信号传输系统（E题，全国一等奖，西安电子科技大学） 示例-Linux的进程调度算法一 第七章 函数03 Nyquist稳定判据（三） RH判据（2）
