本课程为精品课，您可以登录eeworld继续观看： Examples and Intuitions I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 直播回放: Microchip 安全系列 12 - PolarFire® SoC FPGA 安全引导 嵌入式Linux应用于开发实践 2015 TI 音频创新日 (5) TI 提供的闭环低物料清单 (BOM) 放大器解决方案(TPA3140 和 TAS5720) TDA2x SOC系列（3）：环视技术 NFC近场通信系列培训课程 自己动手做计算机 一节课了解电脑如何进行逻辑运算 LabVIEW 事件结构之谜 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 OAD 实现过程中遇到的一些问题及解决方法 最近实现oad功能，看了TI的官方文档，怎么也弄不出来。我用的是自己焊的板子，而TI的说明书里是要用开发套件的。这里跟大家分享一下自己遇到的一些问题.1、zoad显示“nohostdeviceavailable”。很可能是因为串口配置的流控问题，修改uartConfig.flowControl即可。2、生成hex文件的问题。官方文档11.1.2说Removethecommentsfromthe–Moptioninoa 465882932 大家好 本帖最后由paulhyde于2014-9-1509:12编辑我是论坛新人，借此机会和大家交个朋友。大家好 xmin1987 【TI C2000的使用经验】XDS100仿真器虚拟串口的打开 话说刚买了F28069的launchpad，发现了一个问题，就是插上去之后可以安装好xds100v2仿真器，却找不到虚拟串口。事实上，我们自己做的F28069板子也找不到这个串口。但是2807的板子就可以识别。我想这应该是设置的问题。于是google一下问题，终于找到了相关的解决方案。在F28069核心板上已经集成了XDS100V2仿真器，该仿真器带有虚拟串口功能，可通过该仿真器完成DSP与PC的通讯。一般情况下，PC可以完成对XDS100V2仿真器的自 nemo1991 CE下XML跟XAML有什么区别？解析XML/XAML文件的比较好用的类/库有那些？ CE下XML跟XAML有什么区别？解析XML/XAML文件的比较好用的类/库有那些？CE下XML跟XAML有什么区别？解析XML/XAML文件的比较好用的类/库有那些？目前我知道的有这些1。CMarkup类2。tinyXML库3。MS的DOM接口------MSXML库？4。MS的SAX2接口XML/XAML文件的整个机制什么样子的？代码跟资源的分离？在XML里面定义按钮的动作？XML文件里面可以定义资源显示出来的形式（动画还是慢慢放大，还是反显放大显示出来）？CE下用于Si zhyangming TI 杯2019年全国大学生电子设计竞赛复测工作通知（复测名单已公布）： 全国竞赛组委会己公布了各题目参加2019年全国大学生电子设计竞赛全国评审的复测队名单。现将本次复测的有关工作事项通知如下：一、报到时间地点凡网上通知参加复测的参赛队，须携带由赛区竞赛组委会封箱的设计作品，于2019年8月29日14：00至20：00之间到指定的报到地点报到。2019年8月30日早8：00在复测地点开始复测。凡未在2019年8月29日20：00之前报到的被通知复测队视为自动放弃复测资格。报到、复测与候测地点：报到地点：同济大学嘉定校区济人楼一层大厅 兰博 【复旦微FM33LC046N评测】+ GPTIM_PWM 学习一下定时器，FM33LC046N的定时器分四大类：高级定时器ATIM、通用定时器GPTIM、基本定时器BSTIM32、和低功耗定时器LPTIM32使用通用定时器GPTIM完成简单的四路LED灯的PWM控制将LED4飞线与PB11连接在mf_config.c中配置GPTIM初使化参数：/***@briefGPTIM0_TimerBaseInitializationfunction*@paramvoid*@retvalNone chrisrh 网友正在看 频谱的线性搬移电路（一） Pathological Data Sets and Universal Hashing Motivation TinyEngine - Efficient Training and Inference on Microcontrollers EMC共地干扰问题解析 離散F轉換 - 8_傅立葉轉換範例 - 週期三角函數 北京大学课程：电磁学28 F题—纸张计数显示装置解析与交流 总线及其形成（四）
