本课程为精品课，您可以登录eeworld继续观看： Using An SVM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 2022 Digi-Key KOL 系列: 开源 | 四翼扑翼机（仿生鸟）原理及设计解析 WEBENCH FPGA Power Architect功能导览 直播回放：自动驾驶与人工智能的起点——毫米波雷达与3D ToF 解决方案 Miz702 zynq视频进阶教程（米联客） Digital VLSI Design (RTL to GDS) 采用Enpirion Power SoC DC-DC转换器轻松进行设计 深入了解升降压变换器家族 无线感测网路及射频识别技术 RFID 热门下载 AVR ATMega16最小系统原理图PCB AFE5801,pdf(8-Channel Variable-Gain Amplifier (VGA) With Octal High-Speed ADC) 准谐振式反激式开关电源IRIS4015原理及设计要点 精彩解码板、激光头详细说明图 化学气相沉积与无机新材料 PCI-to-PCI Bridge Architecture TMS320VC5501-300,pdf(Fixed-Point Digital Signal Processor) 用8位单片机实现ARINC429总线数据传输 线性动态电路 电脑游戏机硬件与编程特技.rar 热门帖子 关于 IOT 云平台的讨论~ @汤权的建议：“我其实是想给论坛提个建议，可以以论坛的名义开通一个物联网服务器，买一个云主机也不是很大的开销，一年百把块钱，或者用论坛网页服务器另开一个物联网服务器程序，可以为很多学习物联网的服务”坛友们发现了一些IOT云平台，推荐给大家，http://iot.baidu.com/https://cloud.baidu.com/solution/iot/index.htmlhttps://cloud.baidu.com/doc/IOT/Pricing.html每 soso 在IAR软件中出现如下问题 Error:expecteda;C:\TexasInstruments\ZStack-CC2530-2.2.2-1.3.0\Projects\zstack\Samples\SampleApp\Source\SampleApp.c524搞不懂在别的历程中不需要；，我自己加就提示这个在IAR软件中出现如下问题如图问题出在524行第500行第一个分号有问题。 500不加；就提示和524行一样的错误楼主你的if()怎么是花括号开头？而且括号不配对？ 反正， widy MSP430G2553比较器CAOUT怎么作为TA计数器的输入？ 本帖最后由danruofeng于2015-5-1417:42编辑 怎么把CAOUT设为定时器的捕获源？MSP430G2553比较器CAOUT怎么作为TA计数器的输入？我今天真是无聊，帮你解答了3个一句话问题……比较器的输出有3个，CAOUT，CCI1B和Set_CAIFG其中Set_CAIFG是用来产生中断的，我们不管它CAOUT可以作为内部输入或者输出，楼主当然可以将其通过外部电路接入到定时器的时钟输入脚，但是这样太复杂了。我们最后来看CCI1B貌似这个变量是专门为 danruofeng 请问有人有LMD18200芯片的仿真电路图吗 请问有人有LMD18200芯片的仿真电路图吗请问有人有LMD18200芯片的仿真电路图吗用器件手册上所载的典型应用电路即可。网上有 一脸懵逼 TIM5的问题 我要用TIM5做编码器接口，但是使能了TIM5的时钟、用固件库设置为编码器接口，使能了TIM5之后没有得到数据，另外说明一下，在调试状态下，我的MDK的外设中只有TIM1-4，没有TIM5-8，会是MDK版本的问题还是有其它问题？我的MDK的版本是3.24TIM5的问题什么型号的STM32？有些型号是没有TIM5的。STM32F103RCT6看下芯片资料就 zxqwork vxworks 下PC104扩展板卡驱动开发 各位朋友，大家好，我现在做了一块PC104的扩展板卡，是SDCDSC（自整角机）的，要在VxWorks做一个驱动，有一些很基础的问题想请教一下大家，还希望大家给点指导和建议，本人以前没有做过驱动等相关的工作，使用很多问题可能比较简单，还望大家别见笑1.vxorks下的驱动开发是不是在tornado2.2下开发呢？2.如果是在其下开发，是不是生成的xx.o文件下载到目标机就可以使用了？3.能不能给以个开发驱动的流程！4.我看了几天的开发驱动的相关资料，仍然是一头雾水，是不是我硬件基础太差 zhangxin881 网友正在看 电阻大小与分流的关系 对称三相电路的计算（3）不对称三相电路 毕业班第1课第3节_自己写bootloader之改进 2.2 单端驱动电路分析 如何将预配置证书从Microchip安全元件批量上传到AWS IoT中 实验一（续）：GPIO输入输出的电路分析 5 在Eclipse中集成SDK（以识别为例） 用于ADAS的TDA2x SOC系列（1）
