本课程为精品课，您可以登录eeworld继续观看： Kernels II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 手术机器人竟能缝合葡萄皮 霍尔位置传感器应用概述 天线和射频匹配电路设计详解 大规模数据处理与云计算 北京大学 直播回放 : MPS、Nexperia、泰克专家齐聚，畅谈新能源汽车动力设计注意要点 世健的ADI之路主题游第四站：能源站 TI 2014 MCU设计研讨会：开场 直播回放: TI 精密 ADC 在变送器中的应用 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 想买MSP-EXP430FR5739开发板学习下超低功耗设计啊 学习啊啊，51已精通，学习MSP430大家给点意见哦想买MSP-EXP430FR5739开发板学习下超低功耗设计啊51都是精通级别了，就不要谦虚了貌似没得买了哦回复沙发fannian122333的帖子 xiaoqiaoaidz HEX文件内容有点不了解 最近做一些备案工作，有一项是查看软件代码的起始结束地址，从map文件里可以看到，但是知道也可以从hex文件里看碰到一个问题 :067FF000B0B0B0B0B6AF66 :020000021000EC :0A7FF600FFFFFFFFFFFFFFFFFFFF8B :00000001FF复制代码最后四行是这样的。倒数第一行是结束倒数第二行是扩展段地址(看到网上这么说)扩展INTELHex的格式(最大1M):由于普通的INTEL的Hex记录文件只能记 常见泽1 【Follow me第二季第1期】汇总提交帖：全部任务视频及其代码下载 首先很荣幸参加followme第二季第一期的活动，在学习、工作之余有精力和时间去接触AdafruitCircuitPlaygroundExpress这款开发板，下面我和大家分享一下开发过程。全部视频演示视频：完整版物料展示：本次活动中，我购买了CircuitPlaygroundExpress主板和陀机两种物料购买实物图片展示：任务成果展示入门任务：01Ardunioide环境搭建+物料展示+板载LED点亮相对应的帖子地 聪聪哥哥 WINCE6可以支持GAPI吗？ 想必各位已经知道WINCE5平台可以支持GAPI.请问WINCE6平台可以支持GAPI吗？WINCE6可以支持GAPI吗？可以啊,把GAPI的dll加进去lzdll加进去出现问题没？应该是可以的，不过可能需要做一些改动。CE6.0是支持的只要在定制系统的时候，将cell相关的组件增加到系统中。各位，我查了一些资料。我认为WINCE，不管是5还是6，都是不支持GAPI的。GAPI库（GX.dll）是第三方开发的，使用来使程序员绕开复杂的缓慢的GDI调用，更快的访问显示设备，也就 taoweiwen ADI实验电路CN0197基于AD7280A的电池管理系统进度汇报 具体方案提交已经有一段时间了很高兴能够入围。这段时间在等待芯片的同时也做了一系列工作，现汇报一下工作进展1.在熟悉ad7280a芯片用途之后，根据数据手册选定单片机，由于最初的想法是方便使用，节约成本，所以就手头而言，只有pic的仿真器icd2，所以就选用了pic的单片机，pic16f876其实pic16f73，873以及876，877管脚分配来说其实都是一样的。然后设计pcb，下面是我做的双面板图：3d效果如图：在设计中，由于考虑不周全，也出现了个别低级错误，比如vpp脚没有接单片机； sjl2001 K9F1208U0B与K9F1208U0C有什么区别么？ 我的平台上用的NANDFLASH，型号是K9F1208U0B，我想更换为U0C，不知两者有何区别。K9F1208U0B与K9F1208U0C有什么区别么？使用上两者应该是没区别的，你可以看下三星的芯片命名规则引用1楼veabol的回复:使用上两者应该是没区别的，你可以看下三星的芯片命名规则 同意。这个可能就是一些环境参数等的区别而已吧。没太大的区别，程序上能通用第10位表示：GenerationB:3rdGenerationC:4thGenera 啸月 网友正在看 Altium Designer—制作封装元件 图像色彩空间（Bayer） BC20模组原理图绘制-串口通信部分 Geomerics Enlighten实时全局照明SDK 触控USB鼠标实验(M3) 明德扬的FPGA设计模板 matlab基本操作函数cylinder C2000DesignDRIVE 位置管理器
