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 对话ADI和世健 看工业市场发展的新机遇 看懂uboot的神秘面容 CES 2015焦点: Novi重新定义智能家居保安 Xilinx UltraScale入门教程 使用Altera视频和图像处理工作台轻松开发设计 基于ARM平台的嵌入式Linux系统开发 Intersil的Summer of Love限量版五瓣花 e络盟大讲堂 热门下载 常用元件3D封装库：RA电阻2W100R HA_FB_1.3.9_Asion 汉字取模VB源码,可以分析出汉字的结构,从而为实现LED上传提供方便 数字电视整转网络改造户均成本测算12.7 自适应预失真前馈功率放大系统分析 电磁兼容设计讲座（中兴通讯.ppt 严蔚敏 数据结构的配套代码 TCA6408,pdf(Low-Voltage 8-Bit I2C and SMBus I/O Expander) 磁电式传感器基础知识 基于DSP技术的音频处理器的设计 热门帖子 74HC04的用法对吗 ？ 请教：(见附图)74HC04这样用对不对？谢谢！74HC04的用法对吗？datasheet里面就是告诉我们这样使用的，我的电路中也是这么使用的6通道的反相器，只要图画对，也就是照搬一下datasheet不错加油，有时间多看看手册干什么用？逻辑比较简单，关注一下vcc和信号高低电平的电压就差不多了单纯从74HC04这个芯片来说，没有问题。问题是你要用这片芯片干什么。如果这片芯片并不能实现你的目标，那就是用得不对。 谢谢 yhye2world 实现数据转换器的接地并解开“AGND”和 “DGND”的谜团 简介目前的信号处理系统一般需要混合信号器件，例如模数转换器(ADC)、数模转换器(DAC)和快速数字信号处理器(DSP)。由于需要处理宽动态范围的模拟信号，因此拥有高性能ADC和DAC显得更加重要。在恶劣的数字环境内，能否保持宽动态范围和低噪声与采用良好的高速电路设计技术密切相关，包括适当的信号路由、去耦和接地。实现数据转换器的接地并解开“AGND”和“DGND”的谜团最近在做采样呢，学习学习学习......................学习................. EEWORLD社区 MSP430F249外部中断P1.3口 #includeMSP430X24X.hvoidmain(void){//StopwatchdogtimertopreventtimeoutresetWDTCTL=WDTPW+WDTHOLD;//关狗P4DIR=BIT0|BIT1|BIT2|BIT3;//设置为输出P4SEL=0;P1IE|=0x08;//P1.3interrupte Aguilera 请教一下大家关于看数据手册的技巧？ 最近在学MSP430F5529，但是官方只有这个MSP430x5xxMSP430x6xxFamily.pdf；那我怎么知道MSP430F5529自身的资源呢？因为最近学MSP430F5529的Timer_A的时候，官方数据手册也没有分Timer0_A,Timer1_A,Timer2_A,Timer0_B啊，希望好心人帮忙一下？请教一下大家关于看数据手册的技巧？datasheet看芯片有什么资源，User\'sGuide看怎么用资源别只看datasheet，这是远远不够的。给你推荐一 阳阳学通信 敲门事件和开门动作的检测 日常生活中的敲门动作，是敲击门板使门板发生振动而发声的。我设计使用加速度传感器（也称加速度计）贴合在门板背面来检测门的振动，从而检测敲门事件。 与使用麦克风拾音，然后识别咚咚的敲门声相比，直接检测门的振动排除了声音的干扰，并且识别算法复杂度大大降低，因此不需要CPU作复杂计算，节省功耗。加速度计测量固体振动比麦克风测量空气压强变化各自的工作带宽不同，前者带宽低，自身功耗也更低。 我使用的KX023三轴加速度计的工作电流是随着数据率增加而增大的。因为这个检测功能需要一直 cruelfox 希望厂家出厂就是这款 空调罩子的创意，不得不服 哈哈哈希望厂家出厂就是这款111111等要拿下来洗的时候，就会感觉好麻烦，怀疑自己为什么要买这些东西不好意思，接受不了，担心晚上要被吓到空调上面应该也有风口吧，每次擦上面都很费事哦，吼吼~~~这个颜色一定要选好，空调位置也得选好。不然感觉会做噩梦哈哈哈，想到以前的彩灯充电器啊啊啊，你们这么说我忽然感觉也有点害怕，但是明明是初音未来啊哈哈，我家娃最爱哈哈，看到这个图心情好一点了啊，不过不同的人喜欢的样式不太一样 吾妻思萌 网友正在看 计算机概念梳理 计算机科学及编程导论 第13集 Push_some_buttons_-_Reading_an_input Input输入型驱动程序设计 电路中的磁元件（一） EDA5 数字式仪表的设计与仿真 计算机控制系统的间接设计方法研究 电路元件抽象
