本课程为精品课，您可以登录eeworld继续观看： Model Selection and Train-Validation-Test Sets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 功率级：高性能参数和MOSFET和栅极驱动器的选择 是德科技示波器基础测试系列 通信应用中的差分电路设计技术 Introduction to CC2650MODA Bluetooth® low energy RF module RISC-V 5th workshop Modern Switch Mode Power Supply Design, Closing Feedback Loops using Simplis 用于 PLC 输入输出模组的 隔离电源方案 TI 双向 CLLLC谐振、双有源电桥(DAB) 参考设计 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 HackSpace 杂志 62 & 63 期 HackSpace杂志62&63期点击图片可以打开网站，下载pdf格式杂志。 dcexpert AT89C2051控制LMX2332的频率合成器 LMX2332是美国国家半导体公司生产的集成数字锁相环(pLL)电路。文章介绍了利用单片机AT89C2051控制数字锁相环LMX2332及压控振荡器JTOS-150实现低噪声频率源的方法，该方法可通过改变AT89C2051的程序得到不同频率的信号。AT89C2051控制LMX2332的频率合成器 JasonYoo 能不能告诉我几个@表示的是并行，还是串行呢 taskshift_in;outputshift;begin@(posedgescl)shift=sda;@(posedgescl)shift=sda;@(posedgescl)shift=sda;@(posedgescl)shift=sda;@(posedgescl)shift=sda;@(posedgescl)shift=sda;@(posedgescl) zhuleu19821025 MSP430学习小结：程序主体结构安排及低功耗-转载 讲解430的书现在也有很多了，不过大多数都是详细说明底层硬件结构的，看了不免有些空洞和枯燥，我认为了解一个MCU的操作首先要对其基础特性有所了解，然后再仔细研究各模块的功能。 1.首先你要知道msp430的存储器结构。典型微处理器的结构有两种：冯。诺依曼结构——程序存储器和数据存储器统一编码；哈佛结构——程序存储器和数据存储器；msp430系列单片机属于前者，而常用的mcs51系列属于后者。 0－0xf特殊功能寄存器；0x10－0x1ff外围模块寄存器；0x200－？根据不同型号地址从低 wateras1 智能门锁 有人愿意做智能门锁生意的吗？？为什么智能门锁不愿意因为这个不是很成熟，再有日常都是钥匙，谁用那玩意，纸上谈兵罢了做大了就算一个智能门锁系统做小了就算一把锁，，不知楼主想做的什么貌似现在好多公寓或者酒店就是使用的智能门锁有呀，现在很多家庭都安装上了，都不用带钥匙的，自动认别的，我觉得超方便 我觉得智能门锁不安全，普通门锁小偷再有本事也得撬一撬。但是换智能门锁，很有可能不都不知道你的门是咋开的我觉得这是个好项目，电子锁、智能锁以后可能会是一个新方向。:)前段时间参加了一个关 qazwsx801kh 开发基于碳化硅的25 kW快速直流充电桩：方案概述 作者：安森美KarolRendek,StefanKosterec,DionisisVoglitsisandRachitKumar在本系列文章的第一部分中，我们介绍了电动车快速充电器的主要系统要求，概述了这种充电器开发过程的关键级，并了解到安森美(onsemi)的应用工程师团队正在开发所述的充电器。现在，在第二部分中，我们将更深入研究设计的要点，并介绍更多细节。特别是，我们将回顾可能的拓扑结构，探讨其优点和权衡，并了解系统的骨干，包括一个半桥S 火辣西米秀 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）
