本课程为精品课，您可以登录eeworld继续观看： Gradient Checking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 正在载入数据,请稍等... 猜你喜欢 直播回放： 2D/3D传感微型化 | 艾迈斯欧司朗新型Mira系列全局快门图像传感器 应用 V.I 晶片驱动LED II - 大功率 LED 阵列 MPLAB代码配置器实验6:配置增强型PWM 树莓派 Raspberry Pi 3 Model B 开箱实测 装机 + SSH VNC 远程登录 利用Atmel Studio 6微调QTouch设计达到最佳效能 英特尔FPGA 2019工程师应用视频 全面了解DFT技术 达人手把手教你DIY口袋PC 热门下载 期刊论文：基于CCD技术的电机换向片检测系统 基于单片机和射频芯片实现的短距离无线数据传输系统 MTK RF部分 修原理 基于粗糙集的属性约简算法 AT91 ARM在医疗行业中的应用pdf 大学生电子设计竞赛资料信号处理篇 Cadence Allegro SPB V16.5视频 开发环境是FPGA开发工具 24V防雷设计 Genesis常见错误及其解决方法 热门帖子 求助，PC端如何跑UCOS 电脑是装的win7-64位的，使用任哲的书里面的pc端跑ucos教程，电脑不支持。现在想在PC端跑rtos，希望有经验的坛友能分享下经验，交流下技术。求助，PC端如何跑UCOS怎么个不支持法？感觉跟64位、32位没关系呀32位跟64位是有区分的。 会报版本不兼容错误。 那就装个32位的 {:1_133:}我知道装32位可以解决，但是我这样提这问题就没什么意义了。虚拟机奔起来任哲的那本书里有方法，不过那个BC++我一直没装成功，也就没折腾了可以用vc++6.0跑 uupweng 关于开关电源测试问题 各位大神好，我有一个问题：我有一块板卡，上边电源部分包含了5路DC-DC电源模块（例如TPS5450），实际应用时我们会输出不同的电压，当然就会设计不同的开关电路，那么，我现在想问，我怎么测试每个DC-DC电源模块的实际输出电压、电流和纹波等相关电源参数呢？我想知道的是大厂家正规或者是成熟的方案？求大神赐教，谢谢！关于开关电源测试问题“我怎么测试每个DC-DC电源模块的实际输出电压、电流和纹波等相关电源参数呢？”当然是一路一路地测试。 首先我问的是测试方法的问题，不是数学问题 bioger 基于Proteus的MSP430单片机仿真实例6-LED数码管显示 此内容由EEWORLD论坛网友tiankai001原创，如需转载或用于商业用途需征得作者同意并注明出处一、任务要求使用MSP430F247单片机实现单个8段共阳极LED数码管的显示，依次循环显示0~15的十六进制数，即依次显示“0~F”。二、分析说明可设置P4端口的8个引脚分别控制共阳极数码管的8段，当I/O端口输出高电平“1”或低电平“0”时，数码管对应的那一段的LED熄灭或点亮。三、硬件电路P4.1端口接共阳极数码管的a段，P4.2引脚接数 tiankai001 毕业设计 DS1302时钟 DH11温湿度 带到计时（24小时）显示 原代码如下：带Proteus仿真。此内容由EEWORLD论坛网友DPJ_PLC原创，如需转载或用于商业用途需征得作者同意并注明出处毕业设计DS1302时钟DH11温湿度带到计时（24小时）显示 DPJ_PLC MSP430FG439 如何学习MSP430FG439，新入门，不知从何下手，求大神指点MSP430FG439去TI官网下载芯片对应的资料，参考官方的demo，IDE建议用IARForMSP430你要是有一些基础知识那就照着开发板和学习视频一样一样的学。要是没有基础那就要边学边补一些基础知识了。不然有些东西你就可能理解不了了。 云菲yunfei1 STEVAL-IDB007V1——开发环境搭建与Demo演示 @【ST MEMS 传感器技术论坛】 1.PC端软件安装：从官网下载并安装以下5个软件（可以一次全部安装也可以按需安装）：1BlueNRG-1DK软件包：BlueNRG-1_V1DK-1.0.0.0-Setup.exe2BlueNRG-1profiles库软件包：BLEProfiles_Lib-2.2.0.0-Setup.exe3BlueNRGGUI软件包：BlueNRGGUI-2.6.0.0-Setup.exe4BlueNRG耗电估算工具：BlueNRGCurrentConsumpt zhoupxa 网友正在看 不确定线性系统的鲁棒控制（六） 第七章 第11节 HDMI显示器驱动设计与验证（四） lv_img图片的API接口和例程演示 IoT Boost Web应用开发 逻辑代数的基本定理 振幅调制、解调及混频（一） Altium Designer—数字电路分析
