本课程为精品课，您可以登录eeworld继续观看： Problem Formulation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 马斯克再次改写历史，Space X“重型猎鹰”运载火箭首飞成功，将跑车送上天 飞思卡尔智能车模型（IoTT大篷车） Atmel|SMART 基于Cortex M0+核的MCU MCP2210及其评估套件 研讨会 : ADI 数字主动降噪耳机方案 Atmel SAM L21 超低功耗测试 big.LITTLE大小核处理器工作原理演示——GPU 的作用 Labview中学生零起步学习视频 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 华一车联网解读 车联网发展受到了科研院以及产业界的广泛关注和积极推动，走到了今天车联网与汽车发生了关系。大一定很知道，今天的成就是怎么得来的。 车联网系统，是指是利用先进智能技术、传感技术、网络技术、计算技术、控制技术，使系统对道路和交通进行全面感知，使所有车辆可以通过自身环境和状态进行信息采集，并将自身的各类信息上传到互联网大数据平台，由中央处理器对大量上传信息进行汇总、分析和处理，系统将对每一辆交通参与车辆进行全程控制，对每一条道路进行实时管控，为使用者提供交通的效率与安全。车联网到现在 傲娇青年刘鑫 关于用UT-450制作TCP/IP转RS232/RS485/RS422问题 我想用UT-45010/100MTCP/IP到串口网桥模块做成TCP/IP转RS232/RS485/RS422的converter,ut-450为ttl输出，我利用max232转换为串口rs232,请大家帮忙讨论怎么实现UT-450的TTL输出转换为RS485/422串口，还要接RJ-45，谁能提供点资料，电路图等，欢迎大家讨论，分不多，全部奉送。关于用UT-450制作TCP/IP转RS232/RS485/RS422问题我也想要 ljsvws 学习机方案 本帖最后由jameswangsynnex于2015-3-319:57编辑我司有这方面的方案，另外也有音响方面的方案，如AL3201,如有需要可直接找我哟！对了有谁有摄像头方案的呢?学习机方案 liuyc 有用过MC145450的调制解调的片子没? 大家好,我最近用到MC145450芯片,我不明白发送1200接收150是什么意思,我想用一个芯子发一个片子收能否可行,难道我1200发150收么???有用过MC145450的调制解调的片子没?是摩托罗拉的吗？我见到的是用锁相环的1·mei看到过啊，不过帮你顶起来，让更多的人看到你的帖子，也可以更好的帮助你 ddllxxrr UWB定位会像北斗那么精准吗？ 前段时间北斗卫星导航系统的部署完成，能够为全球用户提供全天候、全天时、高精度的定位、导航服务，定位服务又一次成了热点。在定位服务风口上的除了北斗，还有适用于室内高精度定位的UWB技术，以及由UWB技术为基础的各种定位服务方案。电厂在通过云酷了解UWB人员定位系统时，经常问到的一个问题就是定位精度如何。本篇文章将针对UWB定位精度这个问题来说一说。室外的GPS、北斗定位与室内的UWB、蓝牙等定位有本质的不同，北斗兼具MEO、GEO和IGSO三种轨道让定位更加精准，而UWB的定位是基 兰博 拼板PCB生成钢网文件？ 拼板PCB如何生成钢网文件（Gerber)文件?xiexie我用的DXP，不能弹出选层那个对话框，谢谢指点！拼板PCB生成钢网文件？原来是我没选上面的相应栏，没注意到，不过其他人指点下也可以！！！再有就是3行2列无缝拼版在ProtelDXP中具体如何操作？请指点呀~~~关键是什么没有选上呢本帖最后由qwqwqw2088于2014-8-2017:25编辑 ProtelDXP这个版本没有用过，，不过ad9好像特殊粘贴只需要设置板边就行了qwqwqw2088 dirty 网友正在看 模拟电子技术基础41 汇编LED驱动实验-驱动编写 原理图工具栏图标不显示了，怎么调出来？ Qt信号槽介绍 5元钱简易防偷拍神器，快来动手做一个吧 MATLAB Arduino（18）:在MATLAB中使用fill() -缩放和平移二维动画 嵌入式软硬件裁剪原则 Linux驱动开发—中断程序编写与测试
