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 猜你喜欢 直播回放：深入浅出讲述可穿戴健康监测 哪种触摸屏控制器最防水——赛普拉斯Gen5技压群雄 TI-RSLK 模块 19 - 低功耗蓝牙 C++零基础入门到精通 基于灵动MM32F系列大容量MCU的输液泵应用参考方案分享 MSP430电容触摸技术 - 防水Demo演示 STM32超值型产品《探索套件》 Vishay极致被动元件系列（电阻、钽电容） 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 5v-10v输入,5V输出.DX给推荐一个电源芯片. 5v-10v输入,5V输出.DX给推荐一个电源芯片.5v-10v输入,5V输出.DX给推荐一个电源芯片. liukui_86 请问怎样用ramdisk虚拟启动软盘？（在VMWare上安装vxworks） 我的系统是XPSP2，ramdisk2.0,在VMWare上安装vxworks请问怎样用ramdisk虚拟启动软盘？（在VMWare上安装vxworks）用1.5的即可，不要2.0的 haxinglong MSP430 5438 定时器A TIMER A 新认识 现在的认识：MSP4305438有3个时钟，分别是TA0、TA1和TB了解了定时器A的用法：定时器A可以分成几个独立的时间周期。这几个时钟周期共用一个计数器TA1R或TA0R。在头文件中可以查到：TIMER0含TA0CCR0-TA0CCR4五个TIMER1含TA1CCR0-TA1CCR2三个TA0CCR0TA1CCR0用于控制计数周期，也就是每当TA0RTA1R计数到TA0CCR0TA1 qinkaiabc pyboardCN V2 使用DFU升级的补充说明 pyboard使用DFU升级是最简单省事的，但是这次的板子因为参数上的一个疏忽，造成了一些板子不容易进入DFU模式。产生的原因是这次使用了品质较好的TDK晶体，它的负载电容是10pf；而以前都是使用普通的国产晶体，使用的负载电容是18pf。这次更换了晶体但是忘记修改电容，这样的结果就是系统复位后晶体震荡的稳定时间会边长，超出了内部DFU程序的检测时间（DFU可以使用4-26M之间任意整数频率的频率，使用了HSI进行判断）。如果你的pyboardCN也遇到这个问题，可以参考下面的方法。最直接的解 dcexpert STM32实例教程，带你了解FSMC的功能和用法 STM32实例教程，带你了解FSMC的功能和用法FSMC简介STM32F103100引脚以上系列芯片都带有FSMC接口，我们开发板上使用的是STM32F103ZET6，因此也具有FSMC接口。FSMC(FlexibleStaticMemoryController，灵活的静态存储控制器)是STM32系列采用一种新型的存储器扩展技术，能够连接同步、异步存储器和16位PC存储卡。STM32通过FSMC可以与SRAM、ROM、PSRAM、NOR 罗小群 《飞思卡尔MCU应用开发》全攻略 在其他论坛看到的，感觉不错的FreeScale参考资料。《飞思卡尔MCU应用开发》全攻略正在使用Freescale的ARM,下来学习学习赞一个新手，还没入门，第一次使用飞思卡尔的板子，谢谢分享下载学习下,谢谢分享非常感谢分享，现在正准备学习有一块板...KL02Z想试试正在研究Freescale的iMX53,下来学习学习,看看有没有帮助 dcexpert 网友正在看 the-future-of-intelligent-applications 英特尔FPGA深度学习加速套件介绍 异步电动机矢量控制思想 U-Boot移植 电源设计小贴士14：SEPIC 转换器提供高效偏置电源 PSpice扫描参数 3 Arduino 自定义函数库的开发 操作系统相关概念
