本课程为精品课，您可以登录eeworld继续观看： Model Representation II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 TI近场供电NFC参考设计介绍 LPCOpen软件平台及其使用介绍 HVI 系列: 高功率密度和高效率适配器的设计考虑 ALINX Zynq MPSoC XILINX FPGA视频教程——Vitis AI开发 回放：TI 毫米波传感器在智能家居中的应用 直播回顾：恩智浦KW41大赛颁奖礼 time-of-flight TI 3D传感器 2015 TI MCU研讨会(3) C2000 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 单工的串口无线通信，怎样做出全双工的效果？ 如题，需要制定怎样的规则比较好。感觉可能会冲突的吧？单工的串口无线通信，怎样做出全双工的效果？默认情况下从机为接收状态，收到数据判断数据是否合法，合法处理数据然后发送数据出来，数据发送完就设置为接收状态，说一下你想要达到什么样效果，给你指明 qwerghf发表于2017-1-320:54默认情况下从机为接收状态，收到数据判断数据是否合法，合法处理数据然后发送数据出来，数据发送完就设置为... 特地想了一天还是没特别好的办法。就是尽可能的实现两台pc”同时”在串 fangkaixin dfa 由以上2式可知,为了减小倾翻力,只有减小v是可行的,而且F2∝v2。根据牛顿第三运动定律,转弯时汽车在受到向心力作用的同时,产生与向心力大小相等、方向相反的离心力,因为汽车质量m是一定的,当向心力不能满足v2PR的增大时,倾翻力矩大于稳定力矩,就会发生倾翻。dfa好心人啊！回复：dfa tigar_chen (转)嵌入式系统中的大端小端 大端格式：在这种格式中，字数据的高字节存储在低地址中，而字数据的低字节则存放在高地址中，小端格式：与大端存储格式相反，在小端存储格式中，低地址中存放的是字数据的低字节，高地址存放的是字数据的高字节。请写一个C函数，若处理器是Big_endian的，则返回0；若是Little_endian的，则返回1解答：intcheckCPU(){ zhouning201 PMU电源管理单元布局 PMU（全称PowerManagementUnit），即电源管理单元，是一种高度集成、针对便携式应用的电源管理方案，它将传统分离的若干类电源管理器件，如直流/直流转换器（DC/DC）、低压差线性稳压器（LDO）集成到一个封装里，缩小了组建数量和板级空间之余，同时实现更高的电源转换效率，其功耗更低。一、PMU一般组成内容1）DC/DC开关电源2）LDO低压差线性稳压电源3）控制部分的电阻、电容PMU多被用于消费电子特定主芯片配套的电源管理集成单元，能提供给主控 工控兴趣使然 多电机驱动同一负载如何做到功率平衡？ 在多电机驱动同一负载时经常听到一个新词，下垂控制，请问下垂控制的原理是什么，就从两台变频器驱动两台电机带动同一个负载为例，分别描述在下垂控制起作用时，两台变频器的工作状态(出力还是被拖)、输出电压、输出电流(有功无功)、输出频率等几个具体参数等表现出什么样的？ 多电机驱动同一负载如何做到功率平衡？【就从两台变频器驱动两台电机带动同一个负载为例】你举个【两台电机带动同一个负载】的例子，如何？ 两台变频器带两台电机带同一个负载 【两台变频器带两台电机带同一个负载】 乱世煮酒论天下 继电器连接问题 我最近在做09年电设国赛题，其中中间一级采用继电器选通放大器847，以实现增益可变。单测含继电器的847可用，但含继电器的847与后一级3091级联就出问题，输入输出做了匹配，请问是什么原因？换成没有继电器的847级联没有问题，请问继电器连接需要注意什么？继电器连接问题“但含继电器的847与后一级3091级联就出问题”，我能知道出了什么问题吗？另，847、3091是什么？给出电路图以及说明你用的继电器。chunyang发表于2015-8-712:12给出 122沸腾 网友正在看 家庭物联网关介绍 第四章-02-结构体成员的默认值 电子测量原理40 布局-PCB封装更新 三阶系统仿真实验 ADI技术及产品支持中国能源互联网.p1 电力电子基础 如何开发DSP在OMAPL138（除了Linux）
