本课程为精品课，您可以登录eeworld继续观看： Error Analysis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 不用担心面部触碰屏幕挂掉重要电话— Cypress 触摸屏控制器 降压转换器和控制器疑难解答 3D TOF占用检测：身体跟踪和计数 探秘谷歌和NASA量子人工智能实验室 Microchip PICkit 3 Programmer To-Go功能演示 电源设计小贴士38：使用简易锁存电路保护电源 汽车电器与电子技术 将JTAG与UCD3138配合使用 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 VICTOR 88E数字万用表拆解报告 以前拆的东西很多，有机械的也有电子的，但参加由组织方提供拆解物品的活动还真是首次。在本次拆解活动中，所申请的拆品是电子爱好者常用的检测工具____数字万用表。之所以选择它是因为与它的接触多，相对了解的多一些，如果换做是内窥镜摄像头这类高技术含量的，没有点专业的指示和工具，恐怕也就是为拆解而拆解了，自己的功力实在难以所及呀。刚见到快递，就发现它不是件mini型的产品，见图1所示。图1拆品快件打开后，才清楚是一件胜利仪器的产品，见图2所示。图2产品的包装 jinglixixi 请教:ARM8位位图 请教:8位位图movr0,#0x3F0按照ARM体系结构与编程第24页讲应该采用rotate_imm最小的编码方式.那么下面两种编码方式1,immed_8=0x3F,rotate_imm=0xE2,immed_8=0xFC,rotate_imm=0xF应该采用第一种编码方式,可实际上在AXD查看其内存发现用的是第2种,何解?第2种rotate_imm明明大于第1种谢谢!请教:ARM8位位图 xiaoma0430 zstack学习9--串口透传（SerialApp）的数据发送过程(转) 一、串口终端1的数据，如何被节点1所接收，并且发送出去的？串口数据是由HAL层来负责的，让我们从主循环（osal_start_system）的Hal_ProcessPoll函数找下去，Hal_ProcessPoll==HalUARTPoll==HalUARTPollDMA。在这个HalUARTPollDMA函数里最后有这样一句话：dmaCfg.uartCB(HAL_UART_DMA-1,evt);对dmaCfg.uartCB这个函数进行了调用，dmaCfg结构体类型 wateras1 想收个launchpad，哪位觉得简单的，没什么意思的就出给我玩玩吧 如题，一直想想收个launchpad，哪位觉得简单的，没什么意思的就出给我玩玩吧跪求！！当然，穷学生一个出不起高价，没有触摸板的话25，有的话40，邮费我出想收个launchpad，哪位觉得简单的，没什么意思的就出给我玩玩吧有信用卡自己买个launchpad也就4.3刀。https://estore.ti.com/MSP-EXP430...ment-kit-P2031.aspx我的给你吧，加我QQ联系529756869加了，先谢谢了！！学生办不了信用卡的！！郁闷回复 fbihjp LMH1982信号锁定不稳定 TIFAE：您好，现利用BT1120视频输出的H,V信号作为同步，外部接压控晶振，产生新的HD，3G信号源时钟，用来并转串，现在视频制式切换及显示都正常了，但在播放过程中，会突然出现NO_LOCK灯亮（失锁），画面黑掉，过两秒又恢复正常的情况。是什么原因导致的呢？谢谢LMH1982信号锁定不稳定供电？控制？还是传输的问题，需要测量数据还是程序编写逻辑上有问题，特别是要查跟NO_LOCK有关的部分，特别是循环部分，应该问题不大的。 tcxz111 SiC碳化硅MOSFET功率模块及SiC-MOSFET单管在充电桩电源模块中的应用 SiC碳化硅MOSFET功率模块及SiC-MOSFET单管在充电桩电源模块中的应用IGBT芯片技术不断发展，但是从一代芯片到下一代芯片获得的改进幅度越来越小。这表明IGBT每一代新芯片都越来越接近材料本身的物理极限。SiCMOSFET宽禁带半导体提供了实现半导体总功率损耗的显著降低的可能性。使用SiCMOSFET可以降低开关损耗，从而提高开关频率。进一步的，可以优化滤波器组件，相应的损耗会下降，从而全面减少系统损耗。通过采用低电感SiCMOSFET功率模块，与同样封装的SiIGB 芯火元科技 网友正在看 BIST2 Parallel ORA MISR 软件自带原理图库介绍与编辑 第5课 NAND FLASH控制器 各种模拟调制抗噪声性能分析及应用 ams 医用/工业CT医疗影像探测器芯片应用与解决方案 VSB和幅度调制抗噪声性能分析 字符设备驱动（第一节） 智能扬声器投影技术
