本课程为精品课，您可以登录eeworld继续观看： Content Based Recommendations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 微电子与微光刻技术 Microchip MCP19111评估板 射频电路与天线 Keil MDK 开发工具 Version 5 中的软件包和组件 工业4.0导论 飞思卡尔Tower机电一体化机器人 利尔达无线资源介绍 直播回放：富士通 FRAM 无加密算法（频谱）的真赝验证解决方案 安全的革新，世界首创全新的验证方式 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 【LPC54100】+ LED走起 今天点了个灯，看了原理图知道这个板子引出3个IO口开控制套件上的3色贴片的led。如下图：从原理可以看出这个3色led是共阳的，也就是说，我把相应的IO置低就可以控制某个led亮或者组合成其他颜色。我现在就用就用Keil5来点亮板子上的LED，keil5相比其他的版本变了不少，关于keil的这方面我就不多说了。现在直入主题，要点亮板子上的led。我这里修改了keil5的自带的例程，keil5自带的LED 强仔00001 kl25的TPM无法使用 无论怎么配置TPM，都输出不了波形，而且计数器也不运行，不知怎么配置，下面是我的代码： voidTPM_init() { SIM_SCGC6|=(SIM_SCGC6_TPM0_MASK|SIM_SCGC6_TPM2_MASK); //PORTB_PCR18|=PORT_PCR_MUX(3); //PORTB_PCR19|=PORT_PCR_MUX(3); PORTD_PCR1|=PORT_PCR_ISF_MASK|POR beian10 timequest快速入门实例及时序查看 \0\0\0eeworldpostqqtimequest快速入门实例及时序查看谢楼主分享谢楼主分享，学习学习感谢分享 xiefei 有关TTL电路中各三极管的工作状态非常好的资料 详细阐述了TTL在输入高低电平时，各个三极管的工作状态有关TTL电路中各三极管的工作状态非常好的资料好东西，多谢楼主。这是哪本书上的啊？ pvnana 为什么我的ccs5.2中建立Grace工程时提示需要先安装XDC tools啊？ 为什么我的ccs5.2中建立Grace工程时提示需要先安装XDCtools啊？求助为什么我的ccs5.2中建立Grace工程时提示需要先安装XDCtools啊？ 小鸟一枚 自学完单片机然后该做什么。。 本人已经上班，工作和单片机没有关系，但是喜欢单片机，自学完了想从事该行业，我该怎么做能。。是参加考试还是参加竞赛之类的。。怎么能吸引好的单片机企业。。自学完单片机然后该做什么。。可以先搞搞DIY。真正应用的时候才知道差什么。dcexpert发表于2015-1-2713:58可以先搞搞DIY。真正应用的时候才知道差什么。 谢谢你的回复，我想真正从事这个行业，DIY不知道会不会走弯路，想从这方面的单位着手做个看上去还不错的小项目试试手ljj3166发表于 卡卡的71 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
