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 手把手教Hercules Launchpad（3） Microchip PIC24F Android 附件开发平台 HVI系列 - 如何驱动碳化硅 MOSFET 以优化高功率系统的性能和可靠性 电阻电容手工焊接培训 [高精度实验室] 运算放大器 : 12 电气过应力 (EOS) 玩转 Arduino——数据通信： ZigBee 通信 Microchip PIC32的连通互联 超大规模集成电路测试（VLSI Testing） 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 怎样在模拟器中配置蓝牙呢 电脑上装有USB蓝牙适配器，但是模拟器中提示没有蓝牙设备，要怎样配置才能让模拟器发现电脑上的蓝牙适配器，并且通过蓝牙发送文件呢，谢谢怎样在模拟器中配置蓝牙呢没有办法。引用1楼nbcool的回复:没有办法。 为什么呢 klgmvidob wince+2440驱动320*240 fstn 液晶问题。 经过几天的资料查找。我得出，wince可以驱动320*240stn液晶。2440的lcd控制器也可以驱动320*240的stn（支持黑白，4级，16级灰度）但是，我查到的所有显示驱动都是基于TFT液晶的。我想问一下如果我改成STN液晶，GPE类中的函数（除去与硬件相关的）是不是还要重写，能不能借用TFT中的函数。另外关于STN显示屏的时序图，我没看懂。根据液晶的datasheet中的时序图不能得出WLH，WDLY，LINEBLANK的值。所以很苦恼。另外希望做过的朋友可以提供一下具体的l seasonings 两个74hc595驱动4个数码管 我是用52写的，用两个595驱动4个数码管，程序哪不对了?includereg51.hsbitSCK=P1^0;//数据输入时钟11sbitRCK=P1^1;//输出存储锁存时钟线12sbitSI=P1^2;//数据线14unsignedcharcodeduan={0x3f,0x06,0x5b,0x4f,0x66,0x6d,0x7d,0x07,0x7f,0x6f,0x00};unsignedcharcodewei={0x01,0x02,0x04,0x0 430我要飞 急问：优龙2410通过usb的ms activesync连接不上pc 我使用的是优龙2410开发板，usb连接是通过pc上的普通usb口连接到开发板上的方形usb口，可以通过此usb连接下载wince到开发板上，但是启动wince后却怎么也不能将pc和开发板通过msactivesync连接上。驱动已经安装好，设备管理器上显示有正常的winceusbdevice。但是却怎么也不能与pc连上，总是一连接wince就显示：已与您拨叫的远程计算机断开，请验证“波特率”设置并重试连接。可是我是通过usb连接啊，又不是串口，有什么波特率阿？刚开始学习就遇到麻烦 marchz 【设计工具】基于Matlab与ISE工具的联合逻辑设计方法 基于Matlab与ISE工具的联合逻辑设计方法【设计工具】基于Matlab与ISE工具的联合逻辑设计方法收下了，谢谢楼主 小笼包 防止模拟开关的额外电流消耗 模拟开关广泛应用于对电池供电型应用（如移动电话）中的音频信号进行开关控制。在许多情况下，开关直接从电池获得电源，但是它从电压更低的处理器GPIO接收控制信号。对于大多数模拟开关而言，此应用条件将产生额外的电源电流，这是系统设计人员所不希望看到的。本应用报告阐述了出现额外电流消耗的原因，并介绍了解决此问题的有效方法。防止模拟开关的额外电流消耗顶一下，学习学习顶一下，学习学习，以免后面要用到而无法找到原因 dontium 网友正在看 模拟电子技术基础41 汇编LED驱动实验-驱动编写 原理图工具栏图标不显示了，怎么调出来？ Qt信号槽介绍 5元钱简易防偷拍神器，快来动手做一个吧 MATLAB Arduino（18）:在MATLAB中使用fill() -缩放和平移二维动画 嵌入式软硬件裁剪原则 Linux驱动开发—中断程序编写与测试
