本课程为精品课，您可以登录eeworld继续观看： Choosing What Features to Use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 DesignDRIVE中EtherCAT通信支持_2016 TI 嵌入式产品研讨会实录 SimpleLink™Wi-Fi®CC32XX电源管理框架 村田顽童演示控制姿势行走 电工技术 Atmel Studio 6仿真器介绍 NXP恩智浦LPC80x 微控制器系列教程 可编程ASIC设计（四川大学） 基于Vxwoks OS的嵌入式系统开发 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 TI 技术招聘最新咨讯抢先知 技术应用工程师发展项目（上海/深圳）应用工程师岗位根据所专注的产品不同，分为模拟和数字两大类。加入这个项目，您将参加一个为期12个月的培训项目.包括新员工培训、实际工作地点培训、海外培训、所属区域内轮岗以及实际工作地点岗位实践。根据不同批次，后三个阶段的轮岗及培训顺序可能变动。培训和轮岗后,您的工作将按照如下路径发展,当然,随着您的业绩和经验的不断累积,您也可以在成为出色的技术应用人员的同时管理团队，在纵向和横向两个方面发展您的能力和职业。详情请看:htt EEWORLD社区 TFT液晶（ssd1289驱动）快速上手『基于msp430单片机的程序讲解』 首先讲个题外话，论坛上有很多分享代码的，不过，我觉得，唯一不好的一点就是：只上传代码，却没有具体讲解一下代码。要是代码里有详细的注释，那样的话，不具体讲解代码也没什么关系；但是有一些代码连注释都没有或者注释很少，让人看得很费力，那就有点不太好了。上传代码共享是一件好事，要是有一个好的注释那就更好了！！好了，不扯了，现在聊聊ssd1289液晶。这几天用了一下ssd1289液晶，调好了程序，在此分享一下。该液晶使用msp430f149/169单片机控制的。 hjl240 STM32F409高速USB通讯方式有哪些？ 我是STM32小白，最近想用F4把设备存储的数据通过主机USB口读出来，粗略看了一下，高速USB口与电脑连接后，USB设备可以映射成串口、存储设备，我想知道，还有没有其他的工作方式？比如，我自己开发一个上位机界面，与F4通讯，直接发命令读取数据（把F4做成私有设备，只能用上位机软件操作）。这种情况下，ST提供USB设备驱动程序了吗？谢谢！STM32F409高速USB通讯方式有哪些？ 烹小鲜 请问下 请问下，玩勒一年的单片机，软件是有所了解了，但硬件完全不会，该如何改正下·······················请问下自己DIY一个单片机最小系统，从买器件开始到焊接，，调试，，再些程序，增加硬件，比如Ad转换，继电器等最好先熟悉板子上的各个模块的编程及原理，不断地调试程序，然后diy焊接最小系统板，然后将其它模块挂接上去，调程序qwqwqw2088发表于2014-8-1313:48自己DIY一个单片机最小系统，从买器件开始到焊接，，调试，，再些程序，增加硬件，比 刘W杰 Instantiation of failed.The design unit was not found，这个情况怎么破 求教Instantiationoffailed.Thedesignunitwasnotfound，这个情况怎么破\0\0\0eeworldpostqqInstantiationoffailed.Thedesignunitwasnotfound，这个情况怎么破此问题难以回答请详细描述一下问题是如何产生的 不是归人是过客 【ATMEL SAM R21 】LWMESH-WSNDEMO应用实验 今后一个月只能够使用老掉牙的古董电脑，编译一次得5分钟昨晚折腾好久，终于搞定一个LWMESH的简单应用大概的结构是LCD——SAMR21......SAMR21——串口助手主要作用是采集LCD上的描点，并通过ZIGBEE传输到另一块R21，再通过串口转发给PC串口助手---------------------------------------------------简单分析--------------------------------------------- ljj3166 网友正在看 How To Track Down Common Mode Noise OVERCURRENT PROTECTION - 408.36 Electronics 1, Lec 1, Intro., Charge Carriers, Doping 电气过应力 (EOS) 1 （实验四）串口实验 串口RS232（八） 1.1 DLP 技术在增强现实抬头显示器应用中的优势 存储器系统设计（五）
