本课程为精品课，您可以登录eeworld继续观看： Putting It Together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 LDO压差说明 Keil MDK 开发工具 Version 5 中的软件包和组件 数字电源简介 TI TMS570 安全技术在汽车中的运用 ADC基础知识分享 - 选择最适合您应用需求的ADC架构（1） 电路设计--报警采集板项目设计 用TI SimpleLink Wi-Fi CC3200让物联网成真3 基于Ispice与Hspice的SPICE教学视频（元智大学） 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 交流并网逆变器，是不是先要用建交流小信号模型? 本信息来自合作QQ群：电子工程师技术交流(12425841)群主在坛子ID：Kata交流并网逆变器，是不是先要用建交流小信号模型，然后用matlab仿真，然后才是主回路拓扑结构功率器件的选择，DSP算法的实现啊？交流并网逆变器，是不是先要用建交流小信号模型?选择主拓扑之后，先仿真同时确定主电路参数，最后搭样机和DSP编程仿真是用的模型是怎么确定下来的呢？我看的是徐德鸿的《电力电子系统建模及控制》，你用什么拓扑，我用三相半桥，在matlab里面有现在的主电路，改出来的 为爱向前冲 请教大侠们一个问题：两个PIC单片机怎样通信？ PIC16F876与PIC16F877之间需要并行通信，双向的请教大侠们一个问题：两个PIC单片机怎样通信？数据量大双口RAM，数据量小用寄存器堆。寄存器堆是什么呀？我是初学者，不怎么懂。。。。。“高速双口RAMIDT7026的原理和应用”好，我仔细研究一下，谢谢~看你的需要传输数据量的大小，然后选择合适的接口通信，不过在一般的数据通信中，IIC,SPI之类的通用接口能够实现的。。。都可以达到Mbit的了。若用SPI进行通信，能告诉我两个单片机PIC16F876与PIC16F dudu_002 TI DSP的外部存储器？ DSP的速度较快，为了保证DSP的运行速度，外部存储器需要具有一定的速度，否则DSP访问外部存储器时需要加入等待周期。1)对于C2000系列：C2000系列只能同异步的存储器直接相接。C2000系列的DSP目前的最高速度为30MHz，为保证DSP无等待运行，需要外部存储器的速度30ns。建议可以用的存储器有：CY7C199-15：32K×8，15ns，5V；CY7C1021-15：64K×16，15ns，5V；CY7C1021V33-15：64K×16，15ns，3.3V。2 Jacktang 4号结婚，在此祝所有eeworldER永远幸福！ 10月四号就要步入婚礼的殿堂了，回想几年前在eeworld上乱撞时众位前辈给我的解答还是万分感激，发几张婚纱照，也祝所有的eeworldER永远幸福！D:\\picture\\DSCF3541.JPG4号结婚，在此祝所有eeworldER永远幸福！这个被我抢到沙发了！祝福啊，俺们要努力了。贴图要先上传到博客才行的。现在看不到。吼吼新婚快乐！祝新婚快乐！这个帖子必须顶！国庆60周年，希望你们更长久！祝早生贵子！引用3楼wlc311的回复:祝新婚快乐！ jin5168 单片机、模电、ARM、DSP、FPGA、PCB等百问百答系列--连载，欢迎补充 单片机应用编程技巧百问单片机、模电、ARM、DSP、FPGA、PCB等百问百答系列--连载，欢迎补充示波器基础知识百问百答可编程逻辑器件应用设计技巧100问PCB设计技巧百问DSP百问百答AVR单片机问与答问:我想使用AVR单片机中的Mega系列,有哪些开发工具支持这种单片机? 答AVR单片机中的Mega系列有一套完善的开发工具评估/编程板ATMEL的STK500（980元/套）起步工具包是适用于开发Atmega103芯片的对芯片的编程是通过在 tiankai001 ACDC电源中的热敏电阻参数到底该怎么选？ 一般的ACDC电源输入端会用一个NTC热敏电阻，平时都是按经验值，或者电源方案的推荐值，比如下面的电路，如果没有NTC这个器件，交流220V会对CE3造成损害吗？请教NTC要怎么计算它的参数，毕竟它也是个过流器件，有没有计算公式可以推荐的？ACDC电源中的热敏电阻参数到底该怎么选？功率型热敏电阻（NTC）选型https://baijiahao.baidu.com/s?id=1686041114475039082&wfr=spider&for=pc 感谢老师 kal9623287 网友正在看 模拟电子技术基础41 汇编LED驱动实验-驱动编写 原理图工具栏图标不显示了，怎么调出来？ Qt信号槽介绍 5元钱简易防偷拍神器，快来动手做一个吧 MATLAB Arduino（18）:在MATLAB中使用fill() -缩放和平移二维动画 嵌入式软硬件裁剪原则 Linux驱动开发—中断程序编写与测试
