本课程为精品课，您可以登录eeworld继续观看： Collaborative Filtering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 Atmel SmartConnect 平台 - 全新物联网 Wi-Fi 解决方案（一） 直播回放 : 智能云锁 TI 方案 面向 RF 应用的低相位噪声频率合成器 高速PCB设计之规则设计以及技巧解析 了解和优化采样数据系统 Atmel SAM4C智能能源器件 直播回放：Keysight 是德科技全新光通信测试方案介绍 直播回放: 中星联华 - 高速信号完整性分析与测试 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 角度传感器的运用 本帖最后由paulhyde于2014-9-1503:38编辑谁知道角度传感器是如何运用的怎样能让小车在行走过程中运用到万分感谢！！！！！！！！角度传感器的运用本帖最后由paulhyde于2014-9-1503:38编辑象前年的在垂直方向上使用或许可以用到.回复：角度传感器的运用本帖最后由paulhyde于2014-9-1503:38编辑有兄弟调出了kmz41+uzz9001了吗？能不能说说效果？回复：角度传感器的运用本 guoqingling988 急！！！怎么用platform builder生成lib文件！ 手上已经有源码，请问怎么用PB5.0生成lib文件呢！！！很急！！！知道该怎么做的大哥大姐能不能把具体流程给我写一下！！！谢谢啦！！！急！！！怎么用platformbuilder生成lib文件！一两句话说不清的确应该具体点，你想实现什么？这样问的话，太大了，让人从何说起呢...在你的source文件中将TARGETTYPE=DYNLINK改为TARGETTYPE=LIBRARY我的意思是：现在有sourcescode，我要用pb将sourcescode编成lib文件。我看了 zhaopingsong MSP430F149 定时器B和外部中断的嵌套 MSP430F149怎么实现中断嵌套。想实现的是：定时1分钟发送一次在线心跳帧，当外部触发中断产生后立刻发送触发数据帧。通过定时器B实现出现的问题是，当进入定时器中断后，外部触发中断不能产生。只有定时时间结束，才能进入外部中断。MSP430F149定时器B和外部中断的嵌套仔细看下手册，定时器的中断优先级高于外部中断，如果GIE位在中断处理例程中内没有置位，则中断嵌套不被启用，你需要抢断的话，把GIE位在中断处理例程中内置位，则中断嵌套被启用，当中断嵌套被启用，任何在中断处 fish001 为什么在IAR中，有些ARM汇编的关键字都不能识别呢？ 我昨天是了一些arm的汇编程序。在IAR中像preserve8，段名|.text|,都不能识别，这是为什么呢？是不是我的工程设置不对啊!可是我怎么也找不到设置的地方，有没有人知道的，给指教一下！！为什么在IAR中，有些ARM汇编的关键字都不能识别呢？不能识别的，自己加进去就好了好像可以自己增加的直接查看IAR的手册那个帖子我怎么不能回复呢？我昨天试了一些arm的汇编程序。在IAR fanghaoshfs 关于滤波的一点想法 比如说旁路电路，在电源后面，将高频杂波通过电容过滤掉，关键就在这里，高频杂波通过电容之后有两个流向，一个是流回电源，还有一个是流到电路板内部的地上。既然是滤波，肯定就流回电源的，但是怎么就保证了杂波流回电源部分而不流向电路板内部呢？电路板内部阻抗大的原因？？？？如果是，内部阻抗一定比电源部分大吗？？？本人学浅，对电源内部电路不甚了解，请大家给给意见。关于滤波的一点想法楼主问的这个问题还真的很头晕，我们好像都没有这样想过，是否简单的问题被复杂化了呀？电容哦，不是电阻。是高频杂波哦，不是直流 hsleung EMI滤波器和正弦波滤波器的原理以及区别？ EMI滤波器的电路结构是什么样的？和正弦波滤波器有什么区别，正弦波滤波器的结构是不是就是一个LC二阶低通滤波器？EMI滤波器和正弦波滤波器的原理以及区别？【正弦波滤波器的结构是不是就是一个LC二阶低通滤波器？】未闻正弦波滤波器。难道只滤正弦波，非正弦波不滤？抑或不滤正弦波，非正弦波全滤？ 滤波以后剩下正弦波 【滤波以后剩下正弦波】首帖你说的是：正弦波滤波器的结构是不是就是一个LC二阶低通滤波器？LC二阶低通滤波器剩下的是正弦波吗？ 【滤波 乱世煮酒论天下 网友正在看 家庭物联网关介绍 第四章-02-结构体成员的默认值 电子测量原理40 布局-PCB封装更新 三阶系统仿真实验 ADI技术及产品支持中国能源互联网.p1 电力电子基础 如何开发DSP在OMAPL138（除了Linux）
