本课程为精品课，您可以登录eeworld继续观看： Error Metrics for Skewed Classes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 常见电路与元件的动画原理展示 Simplicity Studio: Configurator 配置工具 火遍极客圈的Vincross HEXA 全地形可编程机器人开箱评测 反激变换器是如何工作的（英文字幕） Atmel-SigFox云连接方案 直播回放: Microchip 安全系列27: 正确的证明如何助您免遭来自软件供应链上的攻击 基础教程：运算放大器和专用放大器的应用和常识 6A、10A、50A 高效率电池测试设备设计培训 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 MSP430F149 定时器B和外部中断的嵌套 MSP430F149怎么实现中断嵌套。想实现的是：定时1分钟发送一次在线心跳帧，当外部触发中断产生后立刻发送触发数据帧。通过定时器B实现出现的问题是，当进入定时器中断后，外部触发中断不能产生。只有定时时间结束，才能进入外部中断。MSP430F149定时器B和外部中断的嵌套仔细看下手册，定时器的中断优先级高于外部中断，如果GIE位在中断处理例程中内没有置位，则中断嵌套不被启用，你需要抢断的话，把GIE位在中断处理例程中内置位，则中断嵌套被启用，当中断嵌套被启用，任何在中断处 fish001 CC2500低成本低能耗无线收发芯片资料 希望对大家有所帮助，cc2500资料：CC2500低成本低能耗无线收发芯片资料谢谢分享！我的2500板子已经到了。谢谢楼主共享，顶一下！谢谢楼主分享！开始搞无线谢谢共享！！！！！！！！！！！！！！跪谢 熊猫 怎么实现MC1000启动后启动某程序/? 我现在做了一个MC1000下开发的程序,我现在希望每次启动系统后可以自动启动该程序.怎么实现MC1000启动后启动某程序/?我自己想到办法了..... jhpotter 有关CC2541的OAD遇到的问题 一、简介本篇以SimpleBLEPeripheral工程为例，使用空中升级功能。二、实验平台协议栈版本：BLE-CC254x-1.4.0编译软件：IAR8.20.2硬件平台：cc2541最小蓝牙模块、ios9.0以下版本的手机、手机端升级工具：TIBLEMultitoolApp空中升级大概的过程就是：得到三个文件，一个BIM、一个image_A、一个image_B。BIM在协议栈中有现成的工程，不需要改动可以直接用，编译即可，得到hex文件，烧录到2541中，到这一部 fish001 苹果派与功率转换器效率 您是否希望提高功率转换器设计的效率？或许，您可以考虑使用SiCFET。了解SiCFET如何成为提高所有常见转换拓扑结构效率的安全方法，以及所有随之而来的好处。这篇博客文章最初由UnitedSiliconCarbide(UnitedSiC)发布，该公司于2021年10月加入Qorvo大家庭。UnitedSiC是一家领先的碳化硅(SiC)功率半导体制造商，它的加入促使Qorvo将业务扩展到电动汽车(EV)、工业电源、电路保护、可再生能源和数据中心电源等 兰博 泰克MDO4000示波器荣登百大热门产品榜 泰克公司日前宣布泰克MDO4000混合域示波器系列入选EDN杂志的2011年百大热门产品榜—并且是测试与测量类仅有的九款产品之一。具有革命意义的新MDO4000示波器是全球首款内置频谱分析仪的示波器，旨在帮助工程师通过在单一仪器上观察时间相关的模拟、数字、串行和射频（RF）信号来节省时间。EDN杂志责任编辑RichPell表示：“在去年发布的数千种产品中，由EDN选出的2011年百大热门产品，特别引起了我们编辑和读者的注意。泰克MDO混合域示波器显然是2011年测试与测量类最重 zhangshiyong824 网友正在看 频谱的线性搬移电路（一） Pathological Data Sets and Universal Hashing Motivation TinyEngine - Efficient Training and Inference on Microcontrollers EMC共地干扰问题解析 離散F轉換 - 8_傅立葉轉換範例 - 週期三角函數 北京大学课程：电磁学28 F题—纸张计数显示装置解析与交流 总线及其形成（四）
