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 猜你喜欢 CES 2015焦点: Samsung Galaxy Note 3的悬浮操作演示 上海库源电气allegro视频培训 跟随格兰特 • 今原，探秘机器人与人类如何共处 CMOS模拟集成电路设计 东南大学 吴金 氮化镓功率器件及其应用 直播回放 : 迈来芯高可靠可编程霍尔开关 micochipDIRECT新手入门教程 直播回放: Fluke 数据采集器的基础知识及其应用和校准 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 问一下:MSP430F169的XT1问题 突然想问一下大家:MSP430F169的XT1最高频率可以用到多少?可以用11.0592M的晶体振荡器吗?问一下:MSP430F169的XT1问题我也记不清了，你查查手册吧，这些基本的问题查手册都能解决，我记得最高好像是8M，因为我多年不用430了，我也记不清了。不行，最大8M fish001 F2407应用求助 我是个DSP的新手，我手里有个F2407的源程序，可我不知怎么在CCS中编译，它老是出错不知为什么F2407应用求助出什么错啊？能打开工程吗？2407太老了，要用CCS3开发环境。从CCS4开始不再支持2407能打开工程，但编译老是出错，最后一个错误时没有*.out文件我是个初学者，偶然的机会上一个设计人员把他手中的c程序源码给我留下了，但我不知道还需要不需要别的什么？比如配置文件等，只是这么一试，结果发现了这么多问题。求助了，求求了编译的是整个工程吗？留下一个c源码是不能 lgy0610 求助：为什么我STM32L152的单通道连续AD采集数据不稳定 如题两次数据有时候正好是1024可能是丢位但是具体还不清楚是怎么回事请高人指教求助：为什么我STM32L152的单通道连续AD采集数据不稳定voidADCInit(void){ADC_InitTypeDefADC_InitStructure;GPIO_InitTypeDefGPIO_InitStructure;/*ADCConfiguration---------------------------------------------------- maxipeiz 电容封装画法的问题 最近刚开始学习封装画法，遇到几个小问题，求助各位：比如我在软件自带的封装库中看到一个1210的贴片电容封装其中一个焊盘的尺寸设置为焊盘的宽度62.992mil，比实际的(0.020±0.010inch)大了三倍多之后上网查询了一些数据发现实际封装焊盘要大一点那么，1.焊盘究竟要大多少？2.电容封装中间的黄线起什么作用呢？电容封装画法的问题一般是大0.1mm，黄线是起标识作用，因为焊盘外边空间应该是不足（或是缩小器件间距）改到内部了吧黄线是丝印，标明元件标号或说明， 我的眼里只有PCB MSP430JTA程序下载 MSP430JTAG下载程序或仿真的时候必须使用USB的电源作为开发板的电源么？如果将2脚与3.3V断开，用外部供电可以下载么？？哪位大侠来解个惑。MSP430JTA程序下载可以用JTAG的电源供电就是说下载程序或仿真的时候可以用仿真器供电也可以开发板自己供电？回复沙发kingheimer的帖子 votex威 低成本Type - C单口便携屏的全方位解析 在科技迅猛发展的当下，便携式电子产品在日常生活中的地位愈发重要。Type-C单口便携显示器作为新兴显示设备脱颖而出。本文将简述其特点、应用场景、技术原理与发展趋势。一、特点Type-C单口便携显示器最大的优势是便携性。它以Type-C接口进行数据传输与供电，能与笔记本、手机、平板等多种设备无缝连接，简化连接且减少线缆杂乱，使用便捷。其显示性能也很出色，具备高分辨率、高刷新率和高色彩还原度。部分高端型号还支持多点触控和手势操作，观看视频、处理图像或玩游戏时能带来清 乐得瑞郑钊展 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
