本课程为精品课，您可以登录eeworld继续观看： Non-linear Hypotheses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 电子设计从零开始 直播回放: 使用低成本 MSPM0 MCU 快速开发 60V 可驱动LED的降压-升压控制器 IC 超低功耗Cortex-M0+ MCU STM32 L0系列入门 Atmel Edge原理图103 针对汽车电子设计的WEBENCH工具 TI 家电应用中电机驱动分类及参考设计简介 北京理工大学作品——小车绘制“中国梦” 热门下载 场效应晶体管及其集成电路 经典教材：《电子元器件及手工焊接》(7).pdf 单片机控制的LCD心电监护仪的设计 AMC7150cv资料 μPD7802808单片机的功能及应用 Verilog HDL语言的PPT教程。包括简介、逻辑概念、语法和示例。 遗传工具箱及代码 HDS组态软件功能演示工程 数字电路课程设计教学大纲.doc Digital Signal Processing Using MATLAB 3rd Edition, by Vinay K. Ingle and John G. Proakis.pdf 热门帖子 新鲜出炉的CC3200评估板，有兴趣瞅瞅。 这个CC3200LaunchPad是参考TICC3200LaunchPadRev4.1版本修改而来的，把CC3200芯片以模块方式从LaunchPad板子上分离出来，并在原版的基础上增加了部分跳线，使得这个CC3200LaunchPad在完全兼容TI原版的基础上，还可以支持我们做的CC3200模块功能。新鲜出炉的CC3200评估板，有兴趣瞅瞅。看上去像TI官方的开发板，很不错。价格怎样？这样直接把带天线的模块放板子的中间不知道对信号影 wonbs 刚刚入手了stm32 F0的板子，入门求教 之前有一定的51基础，现在开始学习stm。手边有stm8的最小系统，还有一块stm32F0的开发版，不知道学哪一个比较好。另外，求教stm32的学习资料，拜托了各位大神刚刚入手了stm32F0的板子，入门求教如果有基础就行。学单片机不就是正确地写入寄存器，让它按照自己的意图运行吗？知道了这一点，别问它是什么MCU，无非是寄存器的多少而已，最多是运算指令不一样，---如果用汇编的话需要学它。但用C编程，不用去管。所以，学某型单片机，就是看它的DATASHEET。当然了，学一学官 小愤青620 [资料]凌阳单片机其他芯片资料 资料说明：1，SPBA01B说明书2，SPGT62C19BV01数据手册v1.0版3，SPL10A2V15数据手册v1.5版4，SPR1024A数据手册v1.3版5，SPR4096A数据手册v1.2版6，SPY0029A数据手册v0.6版7，SPY0030A数据手册v1.0版8,《SPMC701FM0A编程手册》9,《SPMC701FM0A数据手册》注意：1楼是第1部分2楼是第2 SuperStar515 128与nRF24l01的程序调试问题 试了很多次都不成功，哪位大神发个程序来128与nRF24l01的程序调试问题14年做过一个avr和nrf的项目，部分代码你看下吧 wxj199999 TVS管的这种现象如何解释？ P6KE91CA，到达钳位电压击穿后，基本成短路状态，但有可重复性，每次都是91伏击穿，然后成通路状态工作。这样刚好满足了实际电路的需要（到达一定电压后短路转成通路状态），但TVS管的这种现象如何解释？TVS管的这种现象如何解释？TVS和稳压管都有稳压作用，它们制造工艺、大电流特性等有差别。击穿时所承载的功率如果不太大，是可以恢复的，-----稳压管二极管也是这样的。应用中，TVS一般作为保护用，而不作为稳压用。你现在说的情况，是将它作为稳压使用。到达指定电压时，发生雪崩击穿可能 emilly [教程]PX2开发板上的串口UART3使用入门 UART3在此图上左半区（http://wiki.chipspark.com/cn/ind...5%E5%8F%A3%E5%9B%BE），在GPIO扩展这组接口中，UART3是最容易连接外扩的一个串口（TTL电平），开发中需要接一些串口的外围器件（比如GPS等）接这里最容易了。PX2默认的Kernel配置中没有打开对UART3的支持，这点需要芯客改进，附件中会提供一个已编译好的VGA/HDMI版本开启了UART3支持的kernel供大家下载。如果有兴趣自己编译kernel，在ker chipspark 网友正在看 Atmel: 物联网与硬件加密安全技术 交流负反馈四种组态的判断 产生式系统 高效光伏逆变器 第十六讲 IIC接口与AT24C02六--力天手把手教你学单片机之实战篇八 Evolution of the Arm AMBA Specifications 逆变电路的概念 混合编程1
