本课程为精品课，您可以登录eeworld继续观看： Choosing the Number of Clusters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 直播回放: 使用 DLP® 微型投影技术的 IoT 显示方案 物联网与创客 Atmel SAM D21 PTC模块和QTouch设计平台 直播回放: 如何利用瑞萨电子的GreenPAK™平台优化混合信号电路设计 TIDA-01040 大电流电池测试设备参考方案 STM32 F0在Anki Drive人工智能汽车中的应用 LabVIEW 快速编程之谜 TI 蓝牙 CC2640 现场培训 - 回放 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 求教：COM组件＃import方式问题！ 一个嵌入式组件pimstore.dll，SDK中只有.dll文件，没有.h.idl所以用＃import方式但导入后仍然找不到CLSID_Application/IID_IPOutlookApp。所以不能用初始化：CoCreateInstance(CLSID_Application,NULL,CLSCTX_INPROC_SERVER,IID_IPOutlookApp,reinterpret_castvoid**(&g_polApp)))能不初始化就直接 forzhanghua 开关变换器动态特性：建模、分析与控制 本书介绍了变换器的动态建模以及控制电路设计的方法，介绍了各种变换器拓扑的动态特性，以及不同的控制方法和不同工作模式对变换器动态特性的影响。本书内容丰富、实用性强，通过大量开关变换器电路实验，揭示了各种开关变换器和控制方法的特性，验证了理论分析的正确性。开关变换器动态特性：建模、分析与控制边学学习边找资料资料太难下载........... a842602506 【DLP系列评测四】深入浅出DLP3010EVM 本文为作者发表于EEworld（bbs.eeworld.com.cn），未经EEworld许可，请勿转载。 经过了智运会的拼搏和厮杀，现在我有可以安静的静下心来赏析TIDLP®LightCrafter™Display3010EVM（点击查看详情），随着进一步的学习，又对DLP3010EVM有了新的认识和理解，我愿意和大家一起分享我的收获。 DLP3010EVM是干什么的呢？确实是个投影仪，是一个使用DLP技术的便携式、 chenzhufly 初始化端口的问题？ 如果我想写一个函数，通过调用这个函数可以初始化不同的串口，但不知该怎么写，哪位高人指点一下了，小女子不胜感激！！！！！！初始化端口的问题？用:voidinit_IO(unsignedcharchannel){switch(channel){case0:{}break;case1:{}break;}}说实话，女孩搞电子行业还少见，巾帼英雄！可以用宏汇编#ifdef........#endif我想做的函数结构是这样的：voidinitport(char Alan1987 关于压合与PCB阶数的理解 各位前辈，小弟以前最多画过8层板，只用过几种有PCB厂商提供的常用的压合方式，对于这方面的知识不是很了解，现在新的厂商提供的压合方式是：1+N+1，2+N+2，3+N+3；好像是所谓的一，二，三阶，请问这个是啥意思啊？关于压合与PCB阶数的理解 takeshower 冬季汽车连接器防破损的措施一些小妙招 冬季怎么样保护汽车连接器？下面有一些妙招：1、选择合适的接插件：汽车湿区的线束应选用防水的接插件，这些接插件能够在承受一定水压的情况下保证接插件内部的机械性能及电气性能。接插件上的橡胶圈可以保证线束接插件和用电器插头之间的密封。同时，使用防水栓和盲栓对接插件未使用的孔位进行堵塞，以防水。2、使用热缩管：在湿区的导线压接、焊接以及搭铁端子等有线芯压接的地方，使用带胶防水热缩管作为绝缘和防水保护。选择合适的长度和与导线线径匹配的内径，并根据使用区域的温度选择合适的耐温等级。3、定期检查和 江苏蓬生电子唐工 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）
