本课程为精品课，您可以登录eeworld继续观看： Stochastic Gradient Descent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 EMI 优化的变压器集成的隔离 DC/DC 电源芯片在工业产品中的应用 直播回放: 安森美图像传感器，助力汽车、机器视觉和人工智能领域发展 动手学深度学习V2 嵌入式Linux内核裁减与移植 天线原理 哈工大 林澍 数字图像处理 天津理工大学 ARM常见外围接口开发 直播回放: Allegro 下一代磁感应解决方案：XtremeSense™ TMR 技术如何促进高效应用 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 有经验的高手请进～关于大型LED驱动方案的探讨！ 网站上关于这方面的资料很少，这里想请教一下有做大型LED驱动经验的高手.,给个意见，谢谢～项目是这样子的：要求驱动2400个LED，一共有2400/8=300列。初步的方案是用74hc595驱动，仿真上试过74hc595是理论上可以驱动无数个LED灯的，但是实际上是每个5cm一个LED，也就是300×0.05=15M的距离，这样595是基于SPI的，能够驱动几千个吗？还有距离15米SPI能够驱动那么远吗？希望有这方面的经验的朋友给个建议啊，小弟在此拜谢各位高手～～～～～～～～{:23:} kamfun [求助]SIM300C休眠问题，为什么休眠之后连接不上GPRS了？ 本人新手，希望各位高手能帮忙指点一下~~~我使用SIM300C进行GPRS传送数据，传送完一次数据之后，就将DTR引脚置为高电平，（手册上说这样可以休眠的），之后节点通过短信唤醒之后，仍然无法通过GPRS传送数据，报告的错误是PDPDEACT，在网上查了很多资料，一直没有找到有效的解决方法。请求各位帮忙解决一下。SIM300C休眠问题，为什么休眠之后连接不上GPRS了？帮你顶,打电话给模块厂家谢谢LS的了，还有没有其他的办法呢？因为模块当时是在代理商那里购得的，他都不懂这个东西 yanhuoliuxing 有关太阳能电池与日照量一组曲线 日照量对太阳能电池I-V典线及P-V曲线的影响图1为温度在25℃，串联电组Rs=0.614Ω时，分别模拟出日照量在200～1000W/m2时的太阳能电池模块的I-V曲线，图2则为其P-V曲线。由此二图中可知日照强度改变时，其开路电压不会有太大的改变，但所产生的最大电流会有相当大的变化，所以其输出功率与最大功率点会随的改变。图1：不同日照量下对太阳能电池I-V曲线的影响图2不同日照量下对太阳能电池I-V曲线的影响 qwqwqw2088 fpga与arm9之间的通讯！ fpga与arm9之间的通讯，具体方法有那些，希望搞过的朋友能指点下！谢谢！fpga与arm9之间的通讯！ xiaoxin1 单片机晶振的问题总结 晶振是什么?全称是石英晶体振荡器，是一种高精度和高稳定度的振荡器。通过一定的外接电路来，可以生成频率和峰值稳定的正弦波。而单片机在运行的时候，需要一个脉冲信号，做为自己执行指令的触发信号，可以简单的想象为：单片机收到一个脉冲，就执行一次或多次指令。在初学的时候，总是伴随很多有关与晶振的问题，其实晶振就是如同人的心脏，是血液的是脉搏，把单片机的晶振问题搞明白了，51单片机的其他问题迎刃而解。一，为什么51单片机爱用11.0592MHz晶振?其一：因为它能够准确地划 fish001 padsVX使用问题20250111 padsVX使用问题202501111.win10系统64位padsVX版本pcblayout进不去pcbrouter环境是什么原因2.这两个网络所有都连接在一起了，为什么还报错，然后又不能重复画，会把之前画好的线删除padsVX使用问题20250111直接导入别人的PCB图就是这样，问题多多不如自己从头画起来 这个是直接画的 QWE4562009 网友正在看 BIST2 Parallel ORA MISR 软件自带原理图库介绍与编辑 第5课 NAND FLASH控制器 各种模拟调制抗噪声性能分析及应用 ams 医用/工业CT医疗影像探测器芯片应用与解决方案 VSB和幅度调制抗噪声性能分析 字符设备驱动（第一节） 智能扬声器投影技术
