本课程为精品课，您可以登录eeworld继续观看： Prioritizing What to Work On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 CC2538/CC2530的TinyOS和Contiki例程实验 Vishay极致被动元件系列（电阻、钽电容） 如何选择示波器 采用GestIC®技术的可配置3D手势控制器MGC3130 磁场简介：第二部分 CES 2015焦点: PubNub创建的智能家居模型 直播回放：英飞凌工业半导体在电机驱动行业中的应用 四旋翼公开课 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 DSP的IIR数字滤波器实现程序源码 亲测有效的IIR数字滤波器C程序实现，输入与输出有明显的滤波效果，如图附录（C程序源码）：#includeDSP2833x_Device.h//DSP2833xHeaderfileIncludeFile#includeDSP2833x_Examples.h//DSP2833xExamplesIncludeFile#includemath.h#defineIIRNUMBER2#defineSIGNAL1F1000#defineSIGNA Aguilera 心率测量 求一个基于F5529的心率测量程序并且能够显示心电图。求大神啊。谢谢啦心率测量:):):):):):)求助啊自求多福！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！ 远歌浮生 msp430 对于ti推出的msp430低功耗的16位单片机，评论很多。在这个时候推出16位的单片机，是否能够占领市场？我们知道8位单片机在中国是处于龙头地位的。要动摇51单片机的地位，确实在中国有一定的困难。在中国，特别要考虑的是中国的国情。比如过去的寻呼机，在国外早就被淘汰，但在80年代和90年代，风靡整个中国。外国的垃圾到了中国是宝。在外国16位单片机开始占领市场，在中国可能还要多年。又例如vcd，也是在中国才能流行，美国的西库伯公司（做vcd解码芯片的公司）就是在中国赚了不少的钱。但同时 mahongtu0204 CortexM0芯片什么时候能供货？ 芯片什么时候能供货，产品选型中另外，可以使用jlink，ulink进行仿真吗？CortexM0芯片什么时候能供货？ 小瑞 【STM32F769-discovery开发板】第七篇 Rtthread工程CubeMX生成入门 打开CubeMX，CubeMX本身是不自带RTT组件的，需要自己安装选择管理组件添加新的PACK添加Url，把网上找的Rt-thread链接放进去点check-OK开始下载下载速度还是很快的安装完毕在Cube工程里把RTTHREAD三个全都勾选上RTTHREAD的默认参数都不改了，都直接默认以前的CubeMx好像取消HardF 常见泽1 多用示波器的原理和应用场景 多用示波器是一种功能强大的电子测量仪器，其原理和应用场景如下：一、原理多用示波器主要是利用电子示波管的特性，将人眼无法直接观测的交变电信号转换成图像，显示在荧光屏上以便测量。具体来说，当被测信号输入到示波器中时，信号会经过一系列的处理和放大，包括输入放大器、垂直放大器和水平放大器。其中，垂直放大器负责信号的垂直放大，控制信号在荧光屏上的纵向偏移；水平放大器则控制荧光屏的扫描速度，即信号的横向偏移。此外，示波器还需要进行触发，以便稳定地显示信号波形，触发可以通过外部信号或内部信号进行。 维立信测试仪器 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
