本课程为精品课，您可以登录eeworld继续观看： Trading Off Precision and Recall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 嵌入式系统理论与技术 武汉科技大学 兼容 USB-PD 协议的升降压型充电芯片的设计和优化 MSP CapTIvate自适应传感器PCB设计指南 栅极驱动器的设计陷阱以及如何解决 Linux shell脚本应用 结合升降压拓扑和 USB Type C™ 供电，以实现最大功率密度 电力电子技术 西安交大 王兆安 直播回放: FollowMe 4 W5500-EVB-Pico 使用入门 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 Hercules TMS570培训学习分享 HerculesTMS570培训学习分享培训内容在附件HerculesTMS570培训学习分享学学！570比较新吧学习了谢谢分享 anvy178 想将旧手机改成无线上网卡 现在有好几个旧的手机，扔掉可惜，卖了不值钱。。。。正在考虑是不是可以将改成无线上网卡给笔记本联网用……想将旧手机改成无线上网卡支持怎么弄怎么弄，快告诉我啊。。。这个想法不错啊回复楼主wuquan-1230的帖子怎么弄啊这个能否改造成功要取决于两点：手机是否支持GPRS；是否有对外数据通讯接口。二者缺一不可。对对，这个要求手机原来可以上网，也就是支持GPRS，原来用手机的蓝牙和电脑连接后，可以给电脑联网，诺基亚的pc套接也可以，所以，我感觉这个想法可行，正在探索中…… wuquan-1230 【Follow me第二季第1期】制作不倒翁——展示不倒翁运动过程中的不同灯光效果 这个任务中我们需要利用加速度传感器读取到xyz三方面的加速度然后给出对应的灯光效果。我实现的是根据板子的倾斜方向亮起对应的灯我还没太学习过加速度传感器的应用这里参考了大佬的代码如下importmathfromadafruit_circuitplaygroundimportcp#如果需要改变颜色，请在这个字典中修改颜色值colors={"black":(0,0,0)}#定义一个颜色轮函数defcolor_wheel(position): pildio 瑞萨最全教程-汽车、工业、内核、软件全都有 在EEWORLD大学堂里，有N多瑞萨的相关视频，关于汽车电子的、工业控制等热门应用的，也有最新内核介绍的，还有软件使用教程。如果你使用或者考虑使用瑞萨的相关产品，甚至只是好奇为什么瑞萨MCU哪怕是16位，也能鏖战群雄。那么就来我们EEWORLD大学堂-瑞萨电子篇看看吧！http://training.eeworld.com.cn/course/list?cs=15&kclx=0&page=1以下选出一些精选SH7764车载导 chenyy Open1081成功运行MICO系统 前几天一直在折腾MICO系统，下载了最新的源代码，编译完成不能用。具体讨论见：MICO系统启动不了在@星际之门的提示之下更改了工程，编译，运行成功！再次感谢星际之门！下面开始折腾这个IoT系统！Open1081成功运行MICO系统 小麦克 硬件设计工程师火热招生正在进行时…… 硬件设计工程师火热招生正在进行时……PCB学习、单片机学习、嵌入式系统学习——就到信息产业部硬件工程师项目组。硬件工程师项目组受信息产业部授权和委托，根据信息产业发展的现状和趋势，通过与企业、研究机构、高校教师及技术人员的合作和交流，多方调研，自编了相当实用的教材，由北京邮电大学社出版。并且根据企业用人的实际要求，我们的课程突出培养学员的实际动手能力，因此我们的实际动手操作课占60%，理论课占40%。以求更好的实现理论与实际的结合。打算报名学习的同仁可以通过以下方式咨询我们：QQ yuanju188 网友正在看 模拟电子技术基础41 汇编LED驱动实验-驱动编写 原理图工具栏图标不显示了，怎么调出来？ Qt信号槽介绍 5元钱简易防偷拍神器，快来动手做一个吧 MATLAB Arduino（18）:在MATLAB中使用fill() -缩放和平移二维动画 嵌入式软硬件裁剪原则 Linux驱动开发—中断程序编写与测试
