本课程为精品课，您可以登录eeworld继续观看： Learning Curves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 开始学习twisterSIM电热模拟器 linux网络编程 自动控制理论 清华大学 介绍采用 nanoWatt XLP技术的超低功耗系列单片机 SYS BIOS简介(4)——软件中断_2 趣味电子技术史话：录音技术的发展历史 元器件与电磁兼容 ADI 应用之旅 – 工业大机器健康篇 热门下载 场效应晶体管及其集成电路 经典教材：《电子元器件及手工焊接》(7).pdf 单片机控制的LCD心电监护仪的设计 AMC7150cv资料 μPD7802808单片机的功能及应用 Verilog HDL语言的PPT教程。包括简介、逻辑概念、语法和示例。 遗传工具箱及代码 HDS组态软件功能演示工程 数字电路课程设计教学大纲.doc Digital Signal Processing Using MATLAB 3rd Edition, by Vinay K. Ingle and John G. Proakis.pdf 热门帖子 手机支架的新用途 首先感谢下EEWORLD及泰克看视频、填问卷赢奖品的活动！本人有幸获得手机平板支架，这个手机支架的做工确实很不错，设计也很合理，比我在淘宝上买的19元的支架好很多，在这里和大家分享下手机支架对电工的新用途。由于只是个想法，自己还没有实际做，所以也没有相关的照片。当然，这个想法是完全可以实现的。1.便携小台灯。由于这个手机支架可以很方便的夹在床头，桌边，所以完全可以用它来做个便携的小台灯。供电可以用手机的充电宝，灯头可以用白色的LED和洞洞板。剩下的我就不细说 yayasoso STM32串口通讯调试问题。！感谢各位大大 小弟刚开始用STM32F103VET6。现在要实现从AD采集模拟量，然后希望通过串口在visualscope上显示实时的波形！请问：1，串口通讯用什么样的协议？USB转串口是用的USB转UASRT转换器么？2，AD采集的模拟量是通过DMA直接通过串口与电脑通讯还是怎样？STM32串口通讯调试问题。！感谢各位大大1.串口只定义了硬件特性，软件方面的协议必须自己定义，为了保证数据的安全性，尽量定义一个完整是数据帧，有帧头，帧尾，数据长度，数据，校验等2.AD采样可以使用DMA与串 defencexuwei 想到了一个问题，STM32不用外部晶振 想到了一个问题，STM32不用外部晶振，程序也不对系统时钟初始化，启动后是什么样的？外挂晶振，但是还是不对系统时钟初始化，启动后又是什么样的呢？有没有人试过？想到了一个问题，STM32不用外部晶振对于一般的单片机上电的时候都是以IRC运行，然后由软件配置其他的时钟，，，stm32应该也是这样吧这个不需要试，STM32手册里面有详细说明，上电后都有一个默认状态，默认使用内部的振荡器，最终得到的频率是多少都有说明。其实现在绝大多数MCU都是这样的，内部带一个IRC，上电的时候用的是这个IRC 烹小鲜 有关TTL电路中各三极管的工作状态非常好的资料 详细阐述了TTL在输入高低电平时，各个三极管的工作状态有关TTL电路中各三极管的工作状态非常好的资料好东西，多谢楼主。这是哪本书上的啊？ pvnana 咨询基于LM393的报警电路 +B1、+B2分别连接同一个电阻的两端，当该电阻上的电流过载时，ALARM灯就会报警。在平常的时候，ALARM灯时灭的。请问：1.电阻R20R17有什么用？2.两个10UF电容有什么用？咨询基于LM393的报警电路差放？滤波？帮顶！R20C10构成一阶低通滤波，防止极窄的干扰脉冲引起误动作。R23C11同R20C10。R17和C5构成仅在很短时间内起作用的正反馈，同样是为了防止误动作。感觉像电压比较器这个电路确定能正常工作？guiwan发表于20 yushengjiexy 为什么我的ccs5.2中建立Grace工程时提示需要先安装XDC tools啊？ 为什么我的ccs5.2中建立Grace工程时提示需要先安装XDCtools啊？求助为什么我的ccs5.2中建立Grace工程时提示需要先安装XDCtools啊？ 小鸟一枚 网友正在看 1.重点产业电池组应用 螺旋天线 直流电桥2_操作 转子流量计 Files structure PCB布局规范讲解 接口传输方式对比 PID计算方法与参数整定
