本课程为精品课，您可以登录eeworld继续观看： Advice for Applying PCA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 你所不知道的C语言（jserv 黄敬群） 怎样看懂电路图 用LaunchPad BoosterPack生态系统快速建立原型（3） ADI & 世健 新基建系列视频第二期 MSP430外围模块比较器 S12XE 16位微控制器应用 Arduino无线天气预报站( 太阳能驱动 ) 自适应滤波器算法与实际应用 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 机遇与挑战并存 网络监控势头正劲 随着IC市场需求扩增和安防技术的不断革新，当前网络视频监控商品遭到IC业内人士的强烈追捧，并呈现出百花齐放的局面，各种类型的网络摄像机被广泛应用于安防领域各个角落。根据相关机构的调查显示，全球监控摄像机市场在未来五年内将保持稳步增长，2013年全球监控摄像机的出货量约为8560万台，到2017年这一数据将上升到1.145亿台。然而，对于众多知名IC模拟厂商而言，在国内网络视频监控的产品应用和技术开发过程中存在诸多应用难点与设计挑战。对此，来自ADI公司的技术市场经理张铁虎先生受邀前来发表一些个 azhiking [资料]单片机应用资料2 单片机应用资料2--mcuxb_2.pdf一共10部,由于客观原因一天只能传一部^_^单片机应用资料2xiexie回复：单片机应用资料2谢谢！！！回复：单片机应用资料2看看先回复：单片机应用资料2thanks回复：单片机应用资料2非常感谢，楼主辛苦拉回复：单片机应用资料2辛苦咯回复：单片机应用资料2谢了,大家好才是真的好.回复：单片机应用资料2好家伙回复：单片机应用资料2我没有看错吧？大哥，又是你啊回复：单片机应用资料2下了,多谢了 SuperStar515 收一块树莓派或者狗板，要求便宜 rt。私信我吧收一块树莓派或者狗板，要求便宜要多贱啊整个香蕉派吧，性能好多了本站强荐:185娱乐ぱ城.足球ぱ真_人.彩票齐全ぱ手机可投ぱ注任何游戏.首次开户送10元.首存送58元.信誉绝对保证185.cc树莓派资料确实很丰富，香蕉派可以跑树莓派的系统。玩的话差不多。 zca123 STM32F407关于中断函数的问题 它的delay延时函数采用定时器延时，可是这个函数找不到SysTick_Config(168000);while(ntime);while过不去，它的库文件里也没有stm32f4xx.it.c，可是编译还不报错，这是怎么回事？该怎么办？STM32F407关于中断函数的问题看样子是原子F4的程序，你去看看他的寄存器的代码就知道为什么了~ 电子-------- 【TI首届低功耗设计大赛】脉搏采集显示-总结 没想到这么快比赛就要结束了，想想确实心有不甘啊。这中间有收获，也有遗憾。收获：1.通过MSP430FR5969读取显示手指上的脉搏信号和计算心率值的功能完成。2.熟悉了MSP430FR5969的特性，学习了energia软件的使用，在430ohm论坛上和国外的MSP430粉丝们交流了一下，请教了几个使用上的问题。我发现energia本身还是比较初级，限制的比较死，不太利于发挥出msp430fr5969的特性。以后如果真正使用430的话，还是在CCS或者IAR下开发比较稳妥。 anning865 A/D模块加到另一块板子上模拟地和数字地怎么连？ 现在有一块主处理板（只有模拟地），想加一个A/D模块，那A/D上的数字地和模拟地是怎么连的呢？A/D模块加到另一块板子上模拟地和数字地怎么连？用磁珠或者0欧电阻隔离吧。主处理板（AGND）——0欧电阻——AD模块数字地主处理板（AGND）——0欧电阻（可加可不加，看实际情况）——AD模块模拟地cer1991发表于2015-1-2515:10用磁珠或者0欧电阻隔离吧。主处理板（AGND）——0欧电阻——AD模块数字地主处理板（AGND）——0欧电阻（可加可不加，看实 JasonnLee 网友正在看 Atmel: 物联网与硬件加密安全技术 交流负反馈四种组态的判断 产生式系统 高效光伏逆变器 第十六讲 IIC接口与AT24C02六--力天手把手教你学单片机之实战篇八 Evolution of the Arm AMBA Specifications 逆变电路的概念 混合编程1
