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 东芝PCIM在线展会 直播回放: Molex 莫仕工业通讯与安全解决方案 学习并行总线波形捕获与分析 手把手教你学LittleVGL TI C2000 Piccolo 单芯片 - 实现双轴伺服电机和马达控制 电子设计从零开始 Microchip USB3.0集线器系列 周公系列讲座——CAXA电子图版实例 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 请推荐几本介绍CE下DirectDraw和GDI+的书! 请推荐几本介绍CE下DirectDraw和GDI+的书!或者相关的BLOG也可以,不知道从何下手....很愁呢.大家帮帮忙吧!请推荐几本介绍CE下DirectDraw和GDI+的书!去www.china-pub.com搜索汪兵我记得有章节提到。还有个问题,WINCE6.0开始就不支持EVC是么?那么EVC上的程序我用VS写差别大么?都是C++区别应该不大吧.都支持的。引用2楼joji_h的回复:还有个问题,WINCE6.0开始就不支持EVC是么?那么EVC上的 ld21502839 05.04【每日一问】：怎样用程序控制？ 怎么用51单片机控制直流电机正转180°后马上又反转180°，这样反复的转？这程序我写了很久都没达到我要的效果呢？误差很大。（其实就是做一个雨刮模拟系统）。一起讨论哈！！05.04【每日一问】：怎样用程序控制？原帖由TopMars于2011-5-409:12发表怎么用51单片机控制直流电机正转180°后马上又反转180°，这样反复的转？这程序我写了很久都没达到我要的效果呢？误差很大。（其实就是做一个雨刮模拟系统）。一起讨论哈！！楼主可 TopMars 通信行业， 怎么才能快速入门呢？ 接触到通信行业，可是对一些专业方面的知识了解不多，项目很多的硬件设计都是师傅们完成的，自己很想也能参与到项目的设计中，喜欢完成工作后的那份成就感，也知道那也是要付出的。通信行业，怎么才能快速入门呢？学东西，做东西哪有什么捷径，工作了，通过项目了解是最好的途径当今世界，无论是哪个行业哪个专业，都没有什么捷径。能够少走些弯路，已经是万幸了。一分耕耘，一分收获。这样的帖子居然发的到处都是，唉……在本站，我发过一些针对初学者入门电子技术的建议，好好去看看吧。问这种问题，你学历有多高？后 gurou1 GPS的问题，谁帮帮我啊 在森林里，GPS信号应该是屏蔽的，怎么设计接收机能使卫星获取信号GPS的问题，谁帮帮我啊森林里为什么没有信号？如果到了没信号的地方，怎么设计也不会有信号的，除非你自己发射卫星...的确为什么在森林里面没有信号？？是你们自己弄的屏蔽吗？路过！GPS信号本身就很弱，不具有穿透能力。在森林里信号很弱，甚至没有是正常的。 clj2811 我用万用版焊接的一个EPM3064最小系统版，下载出错，哪位仁兄帮帮忙啊(已解决) 我用万用版焊接的一个EPM3064最小系统版，下载出错，哪位仁兄帮帮忙啊我的下载线在另一块板子上可以下载我的芯片是PLCC44封装的，插座焊接好后直接插上，估计不会是焊接损坏芯片检查了很多次，都没查出来,图片上的JTAG1脚连上了电源，是个错误，实际电路没有连上哈大家半忙看看电路图出现的错误如下，好像是检测不到芯片 我用万用版焊接的一个EPM3064最小系统版，下载出错，哪位仁兄帮帮忙啊(已解决)主要检查：1.供电电源2.接地3.jtag信号4 jialaolian 碳化硅器件在双向车载充电(OBC)中的应用 双向车载充电(OBC)应用碳化硅器件在双向OBC中的应用随着新能源汽车的而高速发展，智能化、轻量化、集成化将是电动汽车发展的趋势，OBC直接决定了新能源汽车的安全性和稳定性，它的功率密度直接影响整车的质量、续航里程、充电时间等。碳化硅作为第三代半导体具有耐高温、耐高压、高频率、抗辐射等优异性能采用碳化硅功率器件可使电动汽车或混合动力汽车功率转化能耗损失降低20%，在OBC产品上使用碳化硅功率器件对于提升O 火辣西米秀 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
