本课程为精品课，您可以登录eeworld继续观看： 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 正在载入数据,请稍等... 猜你喜欢 Atmel汽车电子的未来趋势 使用mTouch™ Framework自由开发触摸产品（一） 比尔·盖茨在微软的最后一天——盖茨携好莱坞巨星出演搞笑片 TI C2000在实时控制系统中的新特性 linux操作系统之父 ARM DS-5 调试器基础讲解 NFC 概述 电池测试设备直流电源系统设计 热门下载 期刊论文：基于CCD技术的电机换向片检测系统 基于单片机和射频芯片实现的短距离无线数据传输系统 MTK RF部分 修原理 基于粗糙集的属性约简算法 AT91 ARM在医疗行业中的应用pdf 大学生电子设计竞赛资料信号处理篇 Cadence Allegro SPB V16.5视频 开发环境是FPGA开发工具 24V防雷设计 Genesis常见错误及其解决方法 热门帖子 Linear公司的电源芯片LT1931A 本想通过LT1931A设计一个输出-3V的电路，为什么out端口的-3V输出不稳定，有1V左右的波动，具体情况见图，各位大神帮忙指点一下！！！Linear公司的电源芯片LT1931A你做一个带宽限制测试一下看看情况吧1931A可是2.2MHz的高频，元件布局，参数选择一定注意官方手册当采用陶瓷输出电容时，可获得接近1mVp-p的极地输出电压纹波，就按这条检查吧，，，1，确认负载电流大小不超过系统要求。2，确认所选用的电感器的饱和电流，不仅仅是感值。3，确认输入和输出电容器的类型 雨中的银杏叶 进口电容，有谁认识规格 谁认识这是多大的电容？壳体上没有任何标识。进口电容，有谁认识规格用手机扫描上面的二维码看看，还有就是如果知道厂家信息，可以去官网上查询可以拆下来测容量，在线测电压。 zhuanangmos 基于Proteus的MSP430单片机仿真实例16-定时器定时1秒 此内容由EEWORLD论坛网友tiankai001原创，如需转载或用于商业用途需征得作者同意并注明出处一、任务要求利用MSP30F247单片机的定时器TA产生设定的时间间隔中断，在中断服务程序中切换LED灯的亮灭状态，点亮1S，熄灭1S。二、分析说明定时器A的时钟源可以选择为SMCLK，,ACLK和外部引脚输入时钟源（TACLK，INCLK），一般选择为SMCLK和ACLK。ACLK为外接的低频晶振，一般是32768Hz，还可以是ACLK的1/2/4/8分频， tiankai001 基于51单片机用定时器实现S的精确切换 经过开发板已验证过。原代码如下：/***********************************************功能：实现继电器1S准时切换QQ：2279196123************************************************/#includeSTC89C5xRC.Htypedefunsignedintu16;typedefunsignedcharu8;sbitRelay=P1 DPJ_PLC 谁给推荐一款锂电池充放电管理芯片 最近想找一款芯片。用来管理锂电池的充放电，用的一颗2200毫安的电芯。要求：充电电压5V，能够快速充电。能够输出3.3V和5V两种电压。3.7V输入电压实际升压效率在90%以上。3.3V输出能够达到500mA及以上，能达到1A最好。5V的起码要1A吧！谁给推荐一款锂电池充放电管理芯片我的2楼。BQ24413TI的:) TI的BQ的都是QFN封装，不好焊接啊！拿出去让外面焊不良率也很高啊！不敢用。:time:要求高就用TI的bq系列要求低就用国产的国产有几 han0097 2018上海国际汽车电子产品展览会 2018上海国际汽车电子产品展览会/2018中国国际汽车音响展/2018上海车载导航仪展/2018中国GPS定位导航系统展/2018上海倒车雷达展/2018上海汽车后视系统展/2018上海车载冰箱/2018中国车灯增光器展举办单位:中华人民共和国商务部主办单位:通用国际广告展览有限公司布展日期2018年9月18-19日展览日期:2018年9月20-22日展览地点:国家会展中心(上海)展览地址:南门(盈港东路168号)北门(崧泽大道333)2018上海汽车电子产品展览会联系人：杨 zgshylx 网友正在看 10-4_RaspberryPi_Temperature_URL 传感器技术及应用 绪论（八） 专题1：无人机感知与规避防撞技术 云端制造 13.1 雾计算基础 按指定位置整齐摆放器件工具介绍 09（2）（放大器） 连接外围电路(下). 4 Windows 平台 Arduino 开发环境的搭建
