本课程为精品课，您可以登录eeworld继续观看： Kernels I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 PIC32MX1/MX2入门开发工具套件 射频模拟电路 电子科技大学 杨玉梅 Switch mode power supply tutorial- DC-DC buck converters 直播回放： 英飞凌智能电机驱动方案 具有光耦合器反馈的反激转换器的分流参考注意事项 直播回放: 是德科技测试测量峰会 - 高速数字论坛 linux服务器架设 实施电机系统 - 电机控制电子实验室第9章 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 想找些STM32无刷有感直流电机控制器的资料 想找些STM32无刷有感直流电机控制器的资料。请大家帮助。给个方案也好。想找些STM32无刷有感直流电机控制器的资料ST提供BLDC库（st的网站公开下载），非常有价值，尤其对我这样的初学者。对楼主也应该有参考意义。去ST的网站看了，还没看明白。ST网站公开的是电机库只有基于ST7MC和STM8S的，STM8S是新出，套件虽有可还没静下心来看过，具体效果不清楚。STM32的电机开发库是没有提供公开下载的。 fefwfWF 博基兴业提供altera usb blaster下载线 ALTERAUsbblasterALTERAUsbblaster下载电缆主要特性:?支持1.8伏，2.5伏，3.3伏和5.0伏系统?支持SignalTapII逻辑分析仪?支持EPCS串行配置器件的主动串行配置模式?支持和NiosII嵌入式处理器系列的通讯和调试详细特性介绍:1．支持1.8V,2.5V、3.3V和5.0V应用系统.2．支持SignalTapII嵌入式逻辑分析仪功能.3．支持ALTERA公司全系列器件 CPLD： avrilkaso STM32F207VCT6 有 CRYP 这个外设吗？ 我看的是RM0033数据手册，是一个205、207、215、217的统一介绍，上面说是有CRYP外设的，但是今天我用库函数进行DES加密的时候，返回加密状态是成功，但是密文为全0.所以在此请教STM32F207VCT6有CRPY这个外设吗？另外我用的是IAR6.3，在仿真的时候看不到CRPY相关的寄存器。STM32F207VCT6有CRYP这个外设吗？找到了，看画红线的地方liyang121316发表于2014-4-1708:24找到了，看画红线的地方 liyang121316 易电源心得体会 ＴＩ这种玩学结合的方法很好，一开始我以为题目会有一两个难点的，没想到玩了才知道是那么的简易，真是题如其名，就是让大家非常简易的开发电源，模块化电源省掉很多外围器件。大功率低噪声，高效率。易电源心得体会 philipjunn MSP430F5529 的统一时钟系统UCS-1 1、以后要配置时钟的地方到处都是。2、打字好累，上传更累；3、之后我会发布PDF版，有心的同学可以下载学习。之前有一点漏说明了，先补充上***************************************************************还有一个模块时钟源：MODOSC，产生MODCLK时钟源信号，一般只为闪存控制模块和ADC12模块提供服务。该模块不被使用时自动关闭，任何模块对该时钟源提出使用要求时，MOD fish001 器件口碑第2期上线~这些器件需要你的点评，come on！ 为了沉淀EE网友们使用器件的经验与智慧，为了给后来者更多有价值的参考，新栏目器件口碑专辑来啦~欢迎老铁们来点评~何为器件口碑？器件口碑是一组用于介绍各型号器件的专题页面，页面上集合了器件基本信息、围绕该器件的讨论、文档、资料、视频等学习资源、以及EE网友对该器件的点评，其中以网友点评为核心内容。分享铸造美好生活~创造价值靠大家第二期待点评器件上线，各位网友如果用过这些器件，欢迎留下宝贵点评（点击以下器件型号即可进入点评页面） EE大学堂 网友正在看 家庭物联网关介绍 第四章-02-结构体成员的默认值 电子测量原理40 布局-PCB封装更新 三阶系统仿真实验 ADI技术及产品支持中国能源互联网.p1 电力电子基础 如何开发DSP在OMAPL138（除了Linux）
