本课程为精品课，您可以登录eeworld继续观看： Mini-Batch 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 正在载入数据,请稍等... 猜你喜欢 LabVIEW FPGA 模块简介 Altera MAX 10嵌入式闪存FPGA入门培训 Microchip PICkit 3 Programmer To-Go功能演示 电子设计基础（黄根春） 一键查询和搞定PCB设计中的各类生产问题 电源设计小贴士22：避免常见的误差放大器使用错误 ADC基础知识分享 - 选择最适合您应用需求的ADC架构（1） Atmel|SMART基于Cortex-M0+核的最低功耗MCU SAML21研讨会 热门下载 期刊论文：基于CCD技术的电机换向片检测系统 基于单片机和射频芯片实现的短距离无线数据传输系统 MTK RF部分 修原理 基于粗糙集的属性约简算法 AT91 ARM在医疗行业中的应用pdf 大学生电子设计竞赛资料信号处理篇 Cadence Allegro SPB V16.5视频 开发环境是FPGA开发工具 24V防雷设计 Genesis常见错误及其解决方法 热门帖子 TxCON最高位导致的2812 TxPR寄存器写失败 CCS仿真环境中，2812的TxPR寄存器的值更新会受TxCON里最高位（free位，为0表示仿真挂起会使计时停止，为1则计时不受挂起影响）影响。而TxCMPR里的值不受该位影响。如下面的程序代码：EvaRegs.T2PR=0x0080;EvaRegs.T2CMPR=0x0040;EvaRegs.T2CON.all=0x1546;//Free=0 Jacktang STEVAL-IDB007V1各种姿势仿真器连 BlueNRG-1 各种姿势仿真器连BlueNRG-1——在KeilMDK、IARforARM下，ulink2、stlinkv2、jlinkv9连接BlueNRG-1。1、BlueNRG-1相关软件，该装的都装好。2、Jlink驱动JLink_V622d版本3、Keil5最新版KeilMDK5.24a4、Keil5BlueNRG-1器件支持包5、IARforARMV7.80.46、Keil工程——“C:\ProgramFiles(x86)\S gs001588 MSP430 ADC12采样转换模式详解 ADC12提供4种转换模式：单通道单次转换对选定的通道进行单次转换要进行如下设置：x=CSStartAdd，指向转换开始地址ADC12MEMx存放转换结果ADC12IFG.x为对应的中断标志ADC12MCTLx寄存器中定义了通道和参考电压转换完成时必须使ENC再次复位并置位（上升沿），以准备下一次转换。在ENC复位并再次置位之前的输入信号将被忽略。序列通道单次转换对序列通道进行单次转换要进行如下设置：x=CSStartAdd，指示转换开始地址EOS（ADC12MCTLx.7 Aguilera 【NUCLEO-L4R5ZI评测】——by donatello1996 【NUCLEO-L4R5ZI评测】搭建开发环境&开箱【NUCLEO-L4R5ZI评测】点灯&使用板载串口发送【NUCLEO-L4R5ZI评测】CoreMark跑分测试【NUCLEO-L4R5ZI评测】外部中断&定时器中断【NUCLEO-L4R5ZI评测】——bydonatello1996测试一下 okhxyyo FPGA与单片机实现数据RS232串口通信的设计 刚写完一个关于FPGA与单片机实现数据RS232串口通信的设计VHDL语言程序，编译没有语法错误却出现Error:CurrentlicensefiledoesnotsupporttheEP4CE6E22C6device，以致于编译不通过，怎么解决，求高手帮忙解答，拜谢！FPGA与单片机实现数据RS232串口通信的设计应该是软件没有破解成功，有两个dll需要用破解器破解一下，才可以。 我也觉得是没有破解成功，但是整个过程是按照助学板上面的教程安装破解的，而且显示破解成 18772964987 【阅读打卡有礼】翻开《射频技术For Dummies系列》书籍，跟帖漫谈射频世界 也许你一直想要涉足射频世界，但还没计划也许你一直想谈谈你对射频的感悟，而没找到契机那么，欢迎加入我们的读书活动，大家一起跟着Qorvo逛聊射频世界~~~~~~关于本次活动阅读书籍：《射频技术ForDummies系列》此系列是Qorvo同时面向技术读者和非技术读者出版、关于RF基础知识的书籍，现在已经出版5本，未来还会陆续推出新内容。本次活动我们将一起来阅读和讨论此系 EEWORLD社区 网友正在看 什么是静电释放ESD 数字控制系统的时域分析方法和传递函数 中断流程代码2 A Greedy Heuristic for Influence Maximization 2 于 PPC3 理解 TAS58x5 系列功放增益结构，寄存器结构以及上电时序 如何使用Vivado IP集成器打包自定义IP 符号矩阵的创建及运算 深入了解：SoC FPGA之电源
