本课程为精品课，您可以登录eeworld继续观看： Random Initialization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 Atmel Edge原理图102 世健KOL: 利用ADBMS1818延长储能系统中的电池寿命 特斯拉电动卡车首发：续航可达800公里 车载 LED 背光驱动技术探讨 TI EV/HEV 48V 及电机驱动解决方案 [高精度实验室] 运算放大器 : 7 共模抑制和电源抑制 科学“超人”尼古拉·特斯拉 平衡小车与电机PID系列视频教程 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 加速度传感器，重力传感器，陀螺仪 有什么区别呀 加速度传感器，重力传感器，陀螺仪有什么区别呀加速度传感器，重力传感器，陀螺仪有什么区别呀加速度传感器，重力传感器是一个东西的两种叫法，他是测量直线运动的加速度值。陀螺仪是角速度传感器，是测量旋转角速度的传感器。。学习中。。。。。学习啦，但说的还不是很明白，顶下dddddddd学过物理的应该都知道加速度和角速度的概念吧。加速度传感器，重力传感器测的是加速度值，一般三轴的加速度传感器，现在仅以一轴说明原理。当水平放置芯片时，Z轴是1g或-1g，但是这1g究竟是重力加速度所值还是，人 韩小歪 为什么水几乎能吸收所有频率的微波? 这是由于海水的损耗角余切非常大，微波在其中的传播损耗很大。但对低频，损耗要少的多，故潜艇通信若用电波的话只能用很低频率的。为什么水几乎能吸收所有频率的微波? JasonYoo 2006年十大热门微处理器和存储器新品评析 本帖最后由jameswangsynnex于2015-3-319:58编辑可用性排名：1 SanDisk的4GB嵌入式存储器件可替代微型硬盘 编辑推荐：SanDisk公司的iNAND是一种小型高速NAND闪存器件，据称该产品可作为移动应用中微型硬盘的替代品。该嵌入式存储设备采用了SanDisk的TrustedFlash技术，可使消费者购买预置了音乐、电影和游戏的闪存卡，并能够与移动电话、膝上电脑、PDA及其它便携设备交互。 读者评论： aifang 蓝牙枪实现蓝牙鼠标功能 在射击游戏中，准备用一把真实的枪进行设计，而不是点击鼠标，所以需要让枪实现鼠标功能，请教大神们怎么写代码？或者有没有源代码啊，先谢谢啦蓝牙枪实现蓝牙鼠标功能飞鼠，改结构 你是说飞鼠遥控器？蓝牙鼠标与无线鼠标一样方便吗？好东东谢谢 jinjin0and0 2009年全国大学生电子设计竞赛模板.doc 2009年全国大学生电子设计竞赛模板.doc2009年全国大学生电子设计竞赛模板.doc这个还要得啊！丹还是谢谢好的，好东西啊啊啊啊啊啊啊好的，好东西啊啊啊啊啊啊啊xiexie谢谢楼主的好意！！ Rick37 高性能交互总线设计（1） 上一贴中提到SGDMA和SGDMA_DISPATCHER，这两个模块主要是用于数据搬移，和总线操作分发的。这两个模块是值得好好研究的哈实际上就是安装目录下的ip：altera_install\\altera\\14.1\\ip\\altera\\altera_msgdma\\高性能交互总线设计（1）学习了再来点提示，哈哈，不过这个貌似是老版本的module文档，新版本的module文档真是个头痛的问题大家发散发散，看看这个玩意怎么玩好小胃发表于2015-5- lelee007 网友正在看 BIST2 Parallel ORA MISR 软件自带原理图库介绍与编辑 第5课 NAND FLASH控制器 各种模拟调制抗噪声性能分析及应用 ams 医用/工业CT医疗影像探测器芯片应用与解决方案 VSB和幅度调制抗噪声性能分析 字符设备驱动（第一节） 智能扬声器投影技术
