本课程为精品课，您可以登录eeworld继续观看： Multiclass Classification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 结合升降压拓扑和 USB Type C™ 供电，以实现最大功率密度 如何以及为什么用负载开关替换分立MOSFET 电子水枪游戏 直播回放： 了解人形机器人背后的硬科技 瑞萨电子国网电能表解决方案 LabVIEW 技巧 使用虚拟JTAG与FPGA通信并调测FPGA 焊接基础知识 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 在 Proteus 中仿真 MSP430 单片机的设置方法 Proteus是一款功能強大,簡單易用的仿真軟件,完全不需要實體的硬件支持,對於沒有開發板的朋友而言可是一種福音. 在Proteus中仿真MSP430单片机的设置方法真的太激动了哈哈这个proteus得要什么版本以上的才有MPS430呢？学习学习，谢谢楼主分享哈！ lucky_jeck 高手来帮忙，旧电脑4G的硬盘该装什么操作系统？ 高手来帮忙，旧电脑4G的硬盘该装什么操作系统？高手来帮忙，旧电脑4G的硬盘该装什么操作系统？不知道你是什么的处理器？多少的内存？？4个的硬盘也太小了吧Re:高手来帮忙，旧电脑4G的硬盘该装什么操作系统？想想装dos得了还不如最破的p3那要他干吗Re:高手来帮忙，旧电脑4G的硬盘该装什么操作系统？ emaily 开关电源的原理 一、主电路从交流电网输入、直流输出的全过程，包括：1、输入滤波器：其作用是将电网存在的杂波过滤，同时也阻碍本机产生的杂波反馈到公共电网。2、整流与滤波：将电网交流电源直接整流为较平滑的直流电，以供下一级变换。3、逆变：将整流后的直流电变为高频交流电，这是高频开关电源的核心部分，频率越高，体积、重量与输出功率之比越小。4、输出整流与滤波：根据负载需要，提供稳定可靠的直流电源。二、控制电路一方面从输出端取样，经与设定标准进行比较，然后去控制逆变器，改变其频率或脉宽，达到输 zbz0529 rtos51，声称最多可以有16个任务，但有个问题 来自EEWORLD合作群：12425841他設定的每一个任务占用多少字节rtos51，声称最多可以有16个任务，但有个问题不定我是说在任务栈中一般不會超過20看調用子程序深度不是r0-7,a,b,psw,dph,dpl,pch,pcl,嵌套层数=16个吧这是15个POP7POP6POP5POP4POP3POP2POP1POP0POPPSWPOPDPLPO 他乡客 华硕工程师谈主板供电电路设计 华硕工程师谈主板供电电路设计华硕工程师谈主板供电电路设计好帖子建议大家都看看回复：华硕工程师谈主板供电电路设计hao~回复:华硕工程师谈主板供电电路设计hao~回复:华硕工程师谈主板供电电路设计hao~回复:华硕工程师谈主板供电电路设计hao~回复:华硕工程师谈主板供电电路设计 open82977352 机器人运动学初级篇（1） 本帖最后由paulhyde于2014-9-1509:36编辑里面有各种机器人的运动原理和方案机器人运动学初级篇（1）本帖最后由paulhyde于2014-9-1509:36编辑想要的就跟帖，不然我怎么知道你们想要呢？本帖最后由paulhyde于2014-9-1509:36编辑买我的东西绝对物有所值，买一次你就知道了本帖最后由paulhyde于2014-9-1509:36编辑保证不是重帖本帖最后由p Yound 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）
