本课程为精品课，您可以登录eeworld继续观看： Cost Function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 【CC1120评估套件指南】CC1120评估套件快速启动 直播回放: Nexperia 安世半导体 高功率 GaN FET 助力新一代高效的电源设计 PSoC Creator 特色概述：如何使用工作区域窗口 直播回放：英飞凌工业半导体在电机驱动行业中的应用 电机与拖动基础（石油大学） 直播回放: Keysight 基于数字孪生的软件工具，助力射频子系统验证 Microsemi FPGA开发工具——Libero集成开发环境详解 研讨会：ADI TOF (Time of Flight) 技术介绍及产品应用 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 linux读书笔记 linux目录架构/根目录/bin常用的命令binaryfile的目錄/boot存放系统启动时必须读取的档案，包括核心(kernel)在内/boot/grub/menu.lstGRUB设置/boot/vmlinuz内核/boot/initrd核心解壓縮所需RAMDisk/dev系统周边设备/etc系统相关设定文件/etc/DIR_COLORS设定颜色/etc/HOSTNAME设定用户的 maker 电机软件调速控制 最近在做一个电机软件的调速控制。具体情况是这样的：电机3根线，48v输入和地，速度控制线。速度控制线上要求接滑动变阻器，通过调节滑动变阻器阻值来控制转速。阻值越大，转速越低。调节范围在0-10k之间。现在测得速度线上电压稳定是0.56v，应该怎么去用单片机控制这个串联阻值呢？设想就是nmos+pmos实现低电压控制，通过控制并联电阻的通断来实现。关键是0.56v太低了，有合适的pmos么？或者更好的方案？电机软件调速控制无论N沟管还是P沟管，漏极源极之间电压比较低时其特性均接近线性的 dlcnight -50000&0x00ff是什么意思啊 谢谢你们进来我进入盲区了-50000&0x00ff是什么意思啊-50000&0x00ff是什么意思啊高字节为0，&0x00ff，就是只取低字节&按位于前面的-50000是啥就看具体的吧恩后面的&我倒明白可是前面的-50000我不明白呀#defineAUX1TIMER_TICKS_PER_MS*LED_TOGGLE_RATE//不能超过65535#defineAUX2-AUX1#defineAUX3 wangdabo PIC24FV08KM101芯片使用器件头文件及链接描述文件问题 因为项目问题，被迫使用PIC24FV08KM101该芯片。目前安装了MPLABIDE及MPLABC30，尝试建立工程时，发现MPLABC30中并没有PIC24FV08KM101芯片使用器件头文件及链接描述文件，我想问下：相关文件如何获取？是使用哪种文件代替？先谢过！PIC24FV08KM101芯片使用器件头文件及链接描述文件问题编译器版本太旧，换用XC16mplabxidexc16谢谢！ zyzoe2003 讨论IGBT驱动电路 驱动电路的作用是将单片机输出的脉冲进行功率放大,以驱动IGBT.保证IGBT的可靠工作,驱动电路起着至关重要的作用,对IGBT驱动电路的基本要求如下:(1)提供适当的正向和反向输出电压,使IGBT可靠的开通和关断.(2)提供足够大的瞬态功率或瞬时电流,使IGBT能迅速建立栅控电场而导通.(3)尽可能小的输入输出延迟时间,以提高工作效率.(4)足够高的输入输出电气隔离性能,使信号电路与栅极驱动电路绝缘.(5)具有灵敏的过流保护能力.讨论IGBT驱动电路 eeleader 免费引脚电子书（The Pinouts Book）V0.3 每个电子工程师都应该有一本的免费引脚电子书（ThePinoutsBook）升级到0.3版了。本帖隐藏的内容v0.3下载免费引脚电子书（ThePinoutsBook）V0.3支持 支持 支持必须支持上一版已经收藏了，确实很有用，平时不用不觉得，需要的时候抓了到处找很费劲。包括哪些？这个很有用！学习支持，收藏好东西学习是封装尺寸吗？谢谢！非常好的资料，一册在 dcexpert 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
