本课程为精品课，您可以登录eeworld继续观看： Unsupervised Learning- Introduction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 如何使用 GaN 设计可靠、高密度的电源解决方案 设计指南-数字电位器 自己动手做计算机 TI 智能门锁解决方案 [高精度实验室] 接口 : (2) CAN 总线 / LIN 理解卡尔曼滤波器（英语中字） 直播回放: 安森美和安富利物联网创新设计大赛颁奖 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 按键的问题 INTERRUPT_HANDLER(TIM2_UPD_OVF_BRK_IRQHandler,13){KeyCurrent=((GPIO_ReadInputData(GPIOB)&0xc0)6);if(KeyCurrent!=KeyOld)//如果两次值不等，说明按键情况发生了改变{KeyNoChangedTime=0;//按键按下情况为0KeyOld=KeyCurrent;//保存当前按键情况//return;//·μ?? chenbingjy 555芯片的 5脚什么用，7脚是给电容放电的，为什么有的视频上还说单片机可以控制它 问题如下：1、图中比较器C1的+输入端已经接在了A点，引脚5CO接在此处的作用是什么呢？2、7脚DISC是给电容放电的，为什么有的视频上还说单片机可以控制它?555芯片的5脚什么用，7脚是给电容放电的，为什么有的视频上还说单片机可以控制它芯片内部，8脚(电源端)和1脚(地线)之间是三个数值相等的电阻，将电源电压分压供片内两个比较器输入端。显然5脚施加一定电压可以改变分压比，从而改变比较器C1翻转电压值。该芯片7脚是个三极管集电极，即集电极开路输出(MO 深圳小花 ~~关于电脑机箱带电~！ 机箱带电可以在机箱的螺丝上连一个导电线接到暖气片上最简单的吧~~摸机箱前最好先把手往暖气或其他能连接到大地上的金属物下~如果手上有静电，很容易击穿电子元件静电在我们的日常生活中可以说是无处不在，我们的身上和周围就带有很高的静电电压，几千伏甚至几万伏。平时可能体会不到，人走过化纤地毯的静电大约是35000伏，翻阅塑料说明书大约7000伏，对于电脑内部的精密部件来讲，这个电压就可能会对它造成致命的伤害。 在平时组装或是维修电脑时，人与电脑内部部件的接触是再所难免的，其相互 linda_xia AD9851软件程序 本帖最后由paulhyde于2014-9-1503:40编辑欢迎支持!AD9851软件程序本帖最后由paulhyde于2014-9-1503:40编辑看看用用 星点 嵌入式系统 Boot Loader 技术内幕 本文详细地介绍了基于嵌入式系统中的OS启动加载程序――BootLoader的概念、软件设计的主要任务以及结构框架等内容。1.引言在专用的嵌入式板子运行GNU/Linux系统已经变得越来越流行。一个嵌入式Linux系统从软件的角度看通常可以分为四个层次：1.引导加载程序。包括固化在固件(firmware)中的boot代码(可选)，和BootLoader两大部分。2.Linux内核。特定于嵌入式板子的定制内核以及内核的启动参数。3.文件系统 绿茶 【初学者】抗干扰措施 1.软开关软开关技术是在开关管上增加电容和电感，降低开关过程中的di/dt和dv/dt，使开关器件开通时电压的下降先于电流的上升或关断时电流的下降先于电压的上升，来消除电压和电流的重叠。研究表明，软开关技术只在抑制纹波的高次谐波有一定的效果。同时，由于软开关电路中引入了辅助谐振单元，其谐振会引入高的dv/dt和di/dt，增加电路的EMI。因此，比较软开关和硬开关技术的开关电源，其EMI也应综合衡量考虑。2.缓冲电路缓冲电路是为了抑制开关电源中大量的谐波，电磁干扰的主要措施， 吾妻思萌 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）
