本课程为精品课，您可以登录eeworld继续观看： Diagnosing Bias vs. Variance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 数字电路 徐惠民 90后中国小伙黑科技：成本1元的触控纸 微波五讲 高效电源架构，适用于智能门锁，无电池灯开关和无线传感器 Atmel_ 如何防御您的知识产权免受盗用 GPS原理及其应用 直播回放: 解锁 TI Sitara AM2x MCU 在电机驱动中的新可能 智能拐杖 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 这个电路能升压到100V么？ 求助各位，这个电路能升压到100V么？如果想做一个升压电路，可调的PWM波最高频率可以到30kHz，实现5V到100V的升压功能，电流要求不高。能不能实现？这个电路能升压到100V么？【这个电路能升压到100V么？】以R14用到10千欧这么大数值L1用3.3uH这么小数值来看，升到100V没多大希望。有很多能够产生高电压的电路，为何一定要用这种电路？为什么不到电源管理芯片生产商的官网上搜个BOOST芯片，电流不大的时候，估计还有片内集成MOS，可靠又方便。电感要求 Aguilera 扫地机器人 扫地机器人大家有关注过市场上的扫地机器人吗？有收集相关的图纸，图片吗？扫地机器人扫哪儿的地？街道还是家里？家里http://www.docin.com/p-614697839.html我公司前段时间买了一个，好笨的坏了没有？扫的干净吗？回复5楼wateras1的帖子扫的不太干净回复6楼蓝雨夜的帖子 蓝雨夜 报名参会三重礼 | 西门子车用半导体全栈解决方案直播——助力车企形成研发闭环！ 2020年全球科技产业开辟出一片新战场，带动了5G、AI、HPC、汽车电子、机器学习及物联网等技术与应用的市场需求快速起飞，使得全球半导体芯片供不应求，因此如何提升IC设计、IC制造与效能，就成为当前最重要的课题！电子领域的创新步伐正在不断加快。西门子EDA为了让客户能够加快推出改变生活的创新产品，并成为市场的领导者，致力于提供世界上最全面的电子设计自动化(EDA)软件、硬件和服务组合。西门子EDA为协助客户提 eric_wang sd卡驱动对大容量sd卡的支持问题 现在遇到这个问题：sd卡驱动对大容量sd卡的支持问题请大家给个解决的思路sd卡驱动对大容量sd卡的支持问题 3150gf TI开展MSP430开发版免费申请活动了，赶快参加吧 只需到TI的网站填写调查问卷，就有机会获得免费的MSP430开发板，赶快行动吧能以8位产品价格实现16位出色性能与超低功耗的ValueLine系列MSP430™处理器，可帮助您轻松启动设计，真正做到以更少投入实现更多收益。集成型闪存仿真工具无需外部工具；USB供电的集成型仿真器；包含微型USB线缆；可通过SpyBi-Wire（双线JTAG）协议对任何MSP43 tiankai001 FPGA 电路正常工作,需要考虑那些方面的工作? 目前,FPGA容量越来越大,工艺越来越先进,但电源种类越来越多.所以如果要让这些FPGA可靠的正常,需要考虑因素越来越多.我已经遇到两个问题导致FPGA不能正常工作了,头疼!1.电源完整性不够理想!2.电源上电时间不够理想!都导致FPGA不能正常工作或局部工作正常还有那些因素导致FPGA工作不正常,请各位大虾跟贴,为后来者分享自己的经验,为中国电子设计事业贡献自己力量!FPGA电路正常工作,需要考虑那些方面的工作?请教版主：您说的这两个 eeleader 网友正在看 the-future-of-intelligent-applications 英特尔FPGA深度学习加速套件介绍 异步电动机矢量控制思想 U-Boot移植 电源设计小贴士14：SEPIC 转换器提供高效偏置电源 PSpice扫描参数 3 Arduino 自定义函数库的开发 操作系统相关概念
