本课程为精品课，您可以登录eeworld继续观看： Examples and Intuitions 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 通信应用中的差分电路设计技术 物联网工程导论 北京科技大学 王志良 电源设计小贴士21：请注意电容RMS纹波额定电流 工业机器人研讨会 直播回放: TI 伺服驱动器中电流和电压测量解决方案 数字图像处理（上海交大版） PIC10F32X和PIC16F150X系列集成的数控振荡器 用于智能扬声器的音频放大器 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 是不是可以直接连接 很多芯片的供电电压不一样，有3.3v和5.0v，需要把几种IC的不同口连接在一起，是不是直接连接就可以了？是不是可以直接连接....我猜下你的问题吧是问供电电压不同的芯片，IO口可以直接连接吗？这个要看相关的手册，看IO口承受的电压范围，不行的话要通过其他方式来转换。 是这样的部分3.3V器件有5V兼容性，可以利用这种兼容性直接连接哦，谢谢你们得看一下相关手册。。。 amountain 软件工程师在线仿真器应用指导 一、嵌入式产品的开发周期典型的嵌入式微控制器开发项目的第一个阶段是用C编译器从源程序生成目标代码，生成的目标代码将包括物理地址和一些调试信息。目前代码可以用软件模拟器、目标Monitor或在线仿真器来执行和调试。软件模拟器是在PC机或工作站平台上，以其CPU(如x86)及其系统资源来模拟目标CPU(如P51XA)，并执行用户的目标代码；而目标Monitor则是将生成的目标代码下载到用户目标板的程序存储器中，并在下载的代码中增加一个Monitor任务软件，用来监视和控制用户目标代码的执行，用 呱呱 无线模块报警器的问题 我们公司的报警器是红外感应回拨未接电话的。有时乱回，解决此问题2000RMB奖赏QQ：84231833015889688165小武无线模块报警器的问题 woshijingshui 新手设计的开关电源，请大家指正 file:///C:/DOCUME%7E1/ADMINI%7E1/LOCALS%7E1/Temp/moz-screenshot-1.pngfile:///C:/DOCUME%7E1/ADMINI%7E1/LOCALS%7E1/Temp/moz-screenshot-2.pngfile:///C:/DOCUME%7E1/ADMINI%7E1/LOCALS%7E1/Temp/moz-screenshot-3.pngfile:///C:/DOCUME%7E1/ADMINI%7E1/LOCALS%7E1 ak_tree 请问大家开发wince程序用什么pda? 我公司有一个产品中使用到WinCEPDA。我想在现有的PDA产品（从市场上购入）上加载自己的应用程序。我的问题是:可以购买到这种带usb主口的PDA做二次开发吗？哪些厂家的哪些型号？请问大家开发wince程序用什么pda?我这就有大把，一般使用C++有些公司小，人少，或者竞争不激烈的就偷懒用c#。你是想买现成的手持设备吧？带usb主口的PDA不多，大多数是丛设备还要在上面做开发，也就是需要相应的SDK，这个很难!一般厂家都不会开放产品的SDK的。最好还是买个开发板上面 linfangjun3549 【Follow me第二季第4期】任务汇总 #前言最近参加了一个followme的活动，活动的任务是arduniorp2024connect的板子，主要完成三个任务：1.搭建环境并开启第一步Blink三色LED/串口打印HelloDigiKey&EEWorld！；2.学习IMU基础知识，调试IMU传感器，通过串口打印六轴原始数据；3.学习PDM麦克风技术知识，调试PDM麦克风，通过串口打印收音数据和音频波形。视频(https://training.eeworld.com.cn/course/68895/l ShallGoing 网友正在看 Lec 9, Other Examples of Diode Circuits, Half-Wave Rectifier 多分辨率分析 设计约束及时序分析2 ESP8266使用方式 Nyquist稳定判据（二） 自动控制原理6-8 视频大纲与学习目标 (8b) Designing with the F2870x and F2837x Microcontroller Family (2)
