本课程为精品课，您可以登录eeworld继续观看： Regularization and Bias-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 正在载入数据,请稍等... 猜你喜欢 “我知道你在想什么”MIT发明的黑科技 汽车前照灯应用的开关式 LED 驱动器 灵活混合信号处理技术演示 电源电路测试小技巧 — 纹波测量 Atmel SAM D21 PTC模块和QTouch设计平台 Altium Designer 21最小系统板电子设计全流程实战教程 机器人学 直播回放: 瑞萨电子 R-Car 先进驾驶辅助系统方案 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 2018年的第一份礼，比以往来的更早一些。TI &WPI 直播：毫米波雷达与3D ToF 解决方案 活动详情TI&WPI专家邀您进入自动驾驶与人工智能的起点：毫米波雷达与3DToF解决方案直播内容：1、毫米波雷达的应用2、TI的毫米波雷达解决方案·TI毫米波传感器·辅助设计软件3、什么是3DToF4、TI的3DToF·TIToF传感器和套片·TIToF设计辅助软件5、在线答疑直播时间：2018年1月31日上午10:00-11:30报名入口：点击进入演讲专家介绍： EEWORLD社区 说下2.4GHz频段模块路径损耗的问题 2.4GHz频段现已成为家庭、办公室和工厂短距离无线应用的普遍选择。通常，2.4GHz信道隶属于免许可的工业、科学和医学（ISM）频段。ZigBee（IEEE802.15.4）、Bluetooth（IEEE802.15.1）、Wi-Fi（IEEE802.11b/g/n）、无线通用串行总线（WUSB）和私有协议（如MiWi）等许多协议以及部分无绳电话均采用此频段。然而，在2.4GHzISM频段运行的不同协议会相互干扰。 因此，评估无线传输的范围和性能以创建相关模型来估算模块 Jacktang 微控制器的灾难——i.MX 6UL/6ULL核心模块MYC-Y6ULX评测2 MYD-Y6ULX（i.MX6UL/6ULL）开发板硬件接下来看看MYD-Y6ULX(i.MX6UL/6ULL)开发板具体的硬件资源。板载器件几乎全部布局在正面，背面的话只能看到板子上的几个通孔。看一下开发板上的细节：上图为WiFi模块，这是基于博通43362芯片组的2.4GWIFI模块。模块与核心板的接口为SDIO，支持802.11b/g/n，WiFi的天线使用板子预留的SMA天线接口。其中有一点需要注意，搭载eMMC的 MYIR INA282获取电流数据 请问INA282使用这种方式怎么测量电流，应该怎样应用（IN-和IN+需要怎样加压？），从output输出的是检测电压吗？怎样得到需要检测的电流呢？INA282获取电流数据IIN+、IN-接检流电阻的两端，OUT端是检流电阻两端电压放大后的输出，ADC采样OUT的电压换算就可以了Ref1、Ref2设置OUT输出基准的，INA282是50V/V，也就是将检流电阻两端的压差放大50倍，看手册内部原理示意图就明白了。 嗯嗯，是不是在IN+接上不同电压，然后output就会数据不 Studying_sss 关于考勤机卡机的问题 有一台中控的考勤机，内置有电池，先使用内置电池供电再接入外接电源，接入电源后会自动重启，重启后一直卡机再开机界面，进不去考勤界面，这是什么原因呢，希望大家给个意见关于考勤机卡机的问题仅从表象无法判断。从楼主的描述看，难道直接外接电源供电就正常？ 应该是其实这就是我们组长突然扔给我个考勤机，说是之前出现了，先用电池供电再用外接电源供电的时候重启卡在开机画面的现象，他就让我一直尝试插拔电源，或者在电池和电源之间切换并重启机器，看能不能出现卡机的现象，说是卡机了保持现场，我觉得这种做法太 小浅白白 STM32L476停机模式下设置唤醒功耗很大 遇到一个棘手的问题，大家帮忙出出点子解决，非常感谢！STM32L476最小系统板，单纯进入关机模式，不设置唤醒的功耗大概是40nA当设置PC13为唤醒引脚进行唤醒时，进入关机模式的功耗竟然高达28uA/*SetallGPIOinanalogstatetoreducepowerconsumption*/GPIO_AnalogState_Config();/*Disableallusedwakeupsources:WK xcjldtp 网友正在看 简化 USB3.1 设计的验证和调试 随机信号分析32 自动驾驶的矫正 倒排索引 时序参数对同步系统的影响 OV2640摄像头实验-M4 555定时器及其应用(1) 基于图处理平台的并行算法
