本课程为精品课，您可以登录eeworld继续观看： Principal Component Analysis Problem Formulation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 正在载入数据,请稍等... 猜你喜欢 在EFM32GG上运行Lua脚本语言 [高精度实验室] 时钟和计时 如何连接精密DAC系列课程 如何利用现代示波器实现准确测量(一) 工业机器人研讨会 机器人学 电源管理设计贴士 SimpleLink™Wi-Fi®集成安全功能 热门下载 场效应晶体管及其集成电路 经典教材：《电子元器件及手工焊接》(7).pdf 单片机控制的LCD心电监护仪的设计 AMC7150cv资料 μPD7802808单片机的功能及应用 Verilog HDL语言的PPT教程。包括简介、逻辑概念、语法和示例。 遗传工具箱及代码 HDS组态软件功能演示工程 数字电路课程设计教学大纲.doc Digital Signal Processing Using MATLAB 3rd Edition, by Vinay K. Ingle and John G. Proakis.pdf 热门帖子 Debug时能看出当前运行了几步吗? 之前使用Keil电脑模拟时可以看到现在走了几步、花了多少时间想请问CCS上也有类似的功能吗?还是说一定得用定时器?Debug时能看出当前运行了几步吗? CCS当然有，你用的那个版本CCS3.3版本下在Profile-clock菜单下，有Enable，view，setup等选项，选中Enble后在右下角有一个钟表样子的标志。CCS5.0以上版本（4.0版本没有用过，应该差不多）在调试模式下Run-Clock菜单下，功能选项会多一些，你应该能看懂的，选中Enble后好像也是在右下角 huybn5776 Cyclone V FPGA系列简介 CycloneVFPGA系列简介Altera的Cyclone®VFPGA实现了业界最低的系统成本和功耗，其性能水平满足了您突出大批量应用优势的需求。从三种型号中进行选择：只提供逻辑的CycloneVEFPGA具有3.125-Gbps收发器的CycloneVGXFPGA具有5G收发器的CycloneVGTFPGA具有基于ARM®的硬核处理器系统(HPS)和逻辑的CycloneVSESoCFPGA具 chenzhufly 我的大二，开始了 不知不觉，已经开学2周了，也就是半个月，原本在暑假定好的计划，一开学就变得不太现实。接待新生，上任部长，社团招新，还有选修课综合工程能力训练，完全把计划打乱，而又一直不在状态，计划落下一大堆，想想现在已经大二，大一的师兄，再也不能跟以前一样，什么也不管，想做就放心一起去尝试，该给自己一个更充分的安排。遂以拙手，敲以下文字，与大家共勉。现在是2014.09.18，在十月份前将滤波器的基本知识了解，知道如何选为自己设计的电路选电感。同时，利用周末，与课余时间，为协会的招新和 xcs101 【我与TI的结缘】+聊聊我与TI的结缘 说起大名鼎鼎的德州仪器（TI）公司，学电子的人不会不知道。自己接触TI已经3年了，从当初刚刚入学的电子小白，到今天学到了一些东西，这其中要感谢TI提供的支持！！正好有论坛的活动，就借此机会聊聊我与TI的结缘。第一次接触TI是大一下学期，学校进行全国大学生电子设计大赛的宣讲，当时自己对这还一窍不通。想想作为电子信息工程专业的大学生在学校学习了接近一年，虽说从未逃过课、学校活动也积极参加，但对自己将来从事的行业一点不了解、对赖以生存的专业技能也没掌握多少。。。于是一狠心决定牺牲掉暑 loleno 迎春节，MICROCHIP开发板68元特惠价包邮！ 新年新气象，新年新花样，EEWORLD推出“迎春节，MICROCHIP特惠购”促销活动！原价：306元，团购价：214元，2015年新年促销价只要68元！MCP19111评估板资料集锦促销链接：http://item.taobao.com/item.htm?spm=a1z10.1-c.w4004-1198205638.9.8iMxTM&id=38110634945数量有限，卖完为止！迎春节，MICROCHIP开发板68元特惠价包邮 maylove 已售出 已售出本站强荐:185娱乐━城.足球━真_人.彩票齐全━手机可投━注任何游戏.首次开户送10元.首存送58元.信誉绝对保证185.cc已售出已申请加Q本站强荐:185娱乐－城.足球－真_人.彩票齐全－手机可投－注任何游戏.首次开户送10元.首存送58元.信誉绝对保证185.cc 开发板之家 网友正在看 AURIX™公开课第12讲-GTM定时器输入模块(2) 三菱FX系列PLC教程 47 —— FX系列的数据处理指令 同步和互斥的概念 StarDelta_Starter_PLC_Program_and_Wiring_Part_8 本讲内容介绍 拉普拉斯变换的物理意义 特征提取 – 主成分分析（PCA） (25) -通信系统之CAN
