本课程为精品课，您可以登录eeworld继续观看： Principal Component Analysis Algorithm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 电子材料（电子科技大学） 英式树莓派起步教程 NFC：拥有数亿台设备作为强大后盾_2016 TI 嵌入式产品研讨会实录 射频集成电路设计 云龙51单片机视频教程 应用 V.I 晶片驱动LED II - 大功率 LED 阵列 verilog HDL数字集成电路设计原理与应用 结合升降压拓扑和 USB Type C™ 供电，以实现最大功率密度 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 cortex M4 DSP 一款处理器的数字信号处理能力也成为衡量其性能的灰常重要的一个指标，我们在芯片选型的时候也常把DMIPS，MFLOPS等衡量计算处理能力的参数作为关键因素，甚至在一些对信号处理能力要求苛刻的项目里，成为决定因素。（注一下，呵呵，省得大家再去谷歌百度了：DMIPS为每秒百万次整数运算指令，MFLPS为每秒百万次浮点运算指令，对我们这些搞单片机的人来说，这两个参数希望记住了）说完大方向了，呵呵，咱再转向小方向，在嵌入式领域，对于信号处理的要求已经从专用处理器转向了混合微控制器。人们 Jacktang 看见公众号还要付费看这个，于是就查了一下 ，志同道合的讨论一下 板级低噪放和芯片级低噪放的一些小区别板级低噪放（LowNoiseAmplifier,LNA）和芯片级低噪放（IntegratedLowNoiseAmplifier,ILNA）都是用于放大微弱信号的放大器，但它们有以下一些小区别： 集成度：ILNA是一种芯片级的放大器，通常集成在芯片上。而LNA通常是一种独立的模块，需要连接到电路板上。 尺寸和体积：ILNA由于其小尺寸和高集成度，相比LNA更为紧凑。这使得它们更适合在空间受限的应用中使用。 功 btty038 SUPERSYNC MD-11III、SUPERSYNC PWB-1369、SUPERSYNC PWB-1505三种机型 SUPERSYNCMD-11III、SUPERSYNCPWB-1369、SUPERSYNCPWB-1505三种机型彩色显示器的电源电路图SUPERSYNCMD-11III、SUPERSYNCPWB-1369、SUPERSYNCPWB-1505三种机型 破茧佼龙 【DigiKey创意大赛】环境温度监控网关 环境温度监控网关作者：manhuami2007一、作品简介（100-200字）本次设计的名称为环境温度监控网关，原本打算使用STM32MP157的开发板，但是网站上缺货，因此换成了树莓派4B。实现的主要功能为：网关上搭建MQTT服务器，接收传感器设备上传的温度数据，网关保存接收到的数据，并对温度进行判断，当检测到温度超过设定值时，向制定邮箱发送邮件，告知用户超限传感器的ID和当前温度。同时在网关上搭建WEB服务器，使得用户能够通过网页查看各传感器的历史数据，也可 manhuami2007 反激电源辅助供电绕组串联电阻 看到很多反激电源辅助绕组串联电阻的，如下图电阻Rvcc，想问一下这个电阻的作用是什么？反激电源辅助供电绕组串联电阻 除了减小一些该二极管由正向转入反向时的冲击电流外，看不出很大作用。也有些反激电源辅助绕组没有这个电阻。抑制供电绕组尖峰电压，让供电电压更稳。话说供电电容120uF是认真的吗，这么大辅助绕组串联电阻可以帮助稳定输出电压或电流。通过调节电阻值，可以控制反激电源的电压转换比例，以实现所需的输出电压或电流稳定性。感谢大家回复，能不能讲详细一点，这样 easthewj 解决日本进口设备电压不匹配问题380v变200v变压器 《卓尔凡变压器：解决日本进口设备电压不匹配难题》在电子工程领域，经常会遇到不同国家设备之间电压不匹配的问题。当涉及日本进口设备时，其电压标准与国内往往存在差异，而卓尔凡变压器厂家的380V变200V变压器则成为了解决这一难题的关键。日本的电力系统有其独特的电压标准，而国内的很多场所使用380V电压。当日本进口设备接入国内电力网络时，电压不匹配可能导致设备无法正常运行，甚至损坏设备。这时，卓尔凡的这款变压器就发挥了重要作用。卓尔凡变压器厂家在设计和生产这款38 zef13424840112 网友正在看 Altium Designer—制作封装元件 图像色彩空间（Bayer） BC20模组原理图绘制-串口通信部分 Geomerics Enlighten实时全局照明SDK 触控USB鼠标实验(M3) 明德扬的FPGA设计模板 matlab基本操作函数cylinder C2000DesignDRIVE 位置管理器
