本课程为精品课，您可以登录eeworld继续观看： Implementational Detail- Mean Normalization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 电源模块新产品及其技术优势介绍 LabVIEW基础入门 STM32 F4：以最少的资源提供增强的GUI特性 集成电路设计基础（华中科技大学） 具故障保护功能的高功率、升压 / SEPIC / 负输出 DC/DC 输出转换器 电机学 使用Altera视频和图像处理工作台轻松开发设计 基础教程：模拟开关和多路复用器基础知识 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 开关电源设计必须注意的64个细节 1.变压器图纸、PCB、原理图这三者的变压器飞线位号需一至。理由：安规认证要求这是很多工程师在申请安规认证提交资料时会犯的一个毛病。2.X电容的泄放电阻需放两组。理由：UL62368、CCC认证要求断开一组电阻再测试X电容的残留电压很多新手会犯的一个错误，修正的办法只能重新改PCBLayout，浪费自己和采购打样的时间。3.变压器飞线的PCB孔径需考虑到最大飞线直径，必要 okhxyyo Wince 关机 如何关闭wince系统，每次都要拔电源来关机，能做个什么程序来实现关闭系统吗？Wince关机楼上的节假日不休啊，楼主怎么不搜索一下，陈贴一个http://topic.eeworld.net/u/20070301/13/ae809df2-e85d-4ae4-be12-b9dd429ef584.html?888444951没有睡眠的功能吗？SetSystemPowerState参数：POWER_STATE_OFF ccqingzhi stm32的远程调控 我想做一个航模，有爱好者吗，遥控也准备自己做，请问远程遥控的编程能有谁给点建议stm32的远程调控编码？？主要是做哪方面的呀？选择什么方案呢？:time远程控制给你一点小建议，航模一般是在空旷地带，为了增加控制距离建议选择低频传输，建议使用433m通讯，低频传输无法高速传输大数据，但是控制一般不会有大数据，除非你要增加实时影像，单纯控制433m是最好的选择。 润玉 DIY制作实用型家用恒流充电机 DIY制作实用型家用恒流充电机现在市面上销售的充电电池有不少Y货，家用充电器更是如此，能PK掉市面上销售的大多数家用充电器是我设计的出发点，设计注重实用性。该充电机可对各种可充电电池进行安全性充电（不含手机），也包括Y电池在内，可对标称电池电压在1.2-6V的可充电电池充电，充电电流为0-2000mA任意调整。充电时间以小时为单位20-1小时之间任意设定，功率器件具有温控保护，当充电电流过大时风扇强制启动。充电完毕制动关机。该机具有断电记忆功能。可对正在充电中的电池进行温升监测，一但电池温 c51应用 STR710F2T6单片机问题求助 求助：各位大虾，小弟最近使用ST公司ARM7单片机，型号STR710F2T6，该款单片机有部分在温度50度左右就开始不断复位，还有部分可能在60度或70度复位，但都达不到70度正常工作的指标，不正常单片机有很多批次，也有能正常工作的批次，经过我们多次实验，发现与单片机本身有很大关系，请问各位大虾是否遇到过类似问题，是不是这个单片机温度特性就是达不到DATASHEET上面标注的，是不是温度特性就是不行？还是设计上有什么别的特殊要求？请各位大虾指导，谢谢！STR710F2T6单片机问题求助 f56007 ufun申请最后一天，就是忍不住想提醒你们 最后一天，点击下方链接跟帖申请啦跟帖免费申请UFUN学习板，跟着张进东学习&进阶模拟、工程技能ufun申请最后一天，就是忍不住想提醒你们什么时候出结果啊 nmg 网友正在看 the-future-of-intelligent-applications 英特尔FPGA深度学习加速套件介绍 异步电动机矢量控制思想 U-Boot移植 电源设计小贴士14：SEPIC 转换器提供高效偏置电源 PSpice扫描参数 3 Arduino 自定义函数库的开发 操作系统相关概念
