本课程为精品课，您可以登录eeworld继续观看： Implementation Note- Unrolling Parameters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 为太阳能逆变器应用设计宽输入 DC/DC 转换器 小波与滤波器组 支持以太网，6LoWPAN RF等网络的通用数据集中器 直播回放：Microchip 如何在云服务连接中保护您的 IP 华为IOT物联网教程 直播回放: 适用于视频、转换器、通信的千兆数字隔离器 基于灵动MM32W0系列MCU的指夹血氧仪控制及OTA升级应用方案分享 【虚拟仪器大赛】医疗服务机器人 热门下载 常用元件3D封装库：RA电阻2W100R HA_FB_1.3.9_Asion 汉字取模VB源码,可以分析出汉字的结构,从而为实现LED上传提供方便 数字电视整转网络改造户均成本测算12.7 自适应预失真前馈功率放大系统分析 电磁兼容设计讲座（中兴通讯.ppt 严蔚敏 数据结构的配套代码 TCA6408,pdf(Low-Voltage 8-Bit I2C and SMBus I/O Expander) 磁电式传感器基础知识 基于DSP技术的音频处理器的设计 热门帖子 51单片机控制VGA显示器 请问一下，有谁用51单片机控制VGA显示器显示文字和图片内容，毕业设计。谁能提供资料万分感谢51单片机控制VGA显示器这个51单片机能驱动VGA显示器，有点不太相信。不过现在只怕想不到，没有想不到的。希望楼主能早一点做出来，共享资料。分享开发乐趣！我在一块fpga开发板上看到过vga显示的例程，挺流畅的。但貌似这块板子的价格可以买1000多个51了貌似有驱动成功，制作小游戏的楼主的问题不是已经解答过了么？怎么又发帖问？去找“嵌入式显卡芯片”。楼主的问题不是已经解答过了么？怎么又发帖 lcdvga 【HC32F4A0开发板测评】+LCD屏显示驱动及使用 前面曾完成过对单色OLED屏的显示驱动，为了满足色彩显示的需要，这次再对一款0.96寸的彩色LCD屏进行一下驱动尝试。LCD屏与开发板的连接关系为：CLK---PE11DIN---PE12RES---PE13DC---PE14CS---PE15对应引脚输出高低电平的定义为：#defineOLED_SCLK_Set()GPIO_SetPins(GPIO_PORT_E,GPIO_PIN_11)//CLK#defineOLED_SCLK jinglixixi verilog中task调用如何改参数 调用module时可用Ha#(5,2)ha1(a,b,c,d)；语句，其中5和2可以改变被调模块中的parameter参数，请问调用task时有没有类似语法改parameter参数？？verilog中task调用如何改参数 eeleader 寻求做过机床控制软件的人 寻求做过机床控制软件的人一起合作，兼职也可以！要求做个机床控制软件，特别是激光切割机器类软件的````有意者联系QQ：183273519或者hefei_cn@163.com2010.6.20寻求做过机床控制软件的人meizuoguo vv2007 请教LPC54102的 P0_23~28怎么才能用作GPIO？？？ 本帖最后由okwh于2015-11-412:25编辑 请教LPC54102的P0_23~28是用于I2C或GPIO，我的板子不需要I2C,想用它们作GPIO，调试发现这6个脚一直是0,输入输出无效。这是怎么回事？默认状态应该是GPIO模式，怎么读写不了呢？？其他脚都正常啊！！多谢指教！！请教LPC54102的P0_23~28怎么才能用作GPIO？？？因为您这个型号的片子我没接触过。但是一般在GPIO初始化，或者看看有没有GPIO引脚复用的函数或者设置。将 okwh 新手用allegro画了一块板子，请求大家的意见 用allegro画了一块C8051F432的最小系统板，这个单片机是带USB的，对于PCB有很多细节部分不懂，希望大家提出建议新手用allegro画了一块板子，请求大家的意见画的挺好的，整体看起来不错usb部分差分等长处理不太明显新手能画成这样很不错了，赞一个。贴片的阻容元件要是能排整齐一点，再把里面的一些直角去掉就更完美了。很不错对于非高速USB，走线要求不高，随便拉。另外不明白为什么还在玩51，这货又不能调试，开发麻烦的很 这个我当时考虑了，理应用al flashtt 网友正在看 类神经网络控制系统(二) 2.机器手臂系统识别 数据通信基础 orcad怎么创建Heterogeneous类型的元器件封装？ Convolutional neural networks for hand-written digit recognition 【3.29】抖动基础知识与测量 Digi-Key 与 DFRobot 完整访谈 Autoencoder 纯电感交流电路
