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 猜你喜欢 一个视频揭秘集成电路到底有多难造 Altium Designer 22电子设计入门实战56讲 研讨会 : TI MSP430 Scan Interface 技术与流量计方案 ROS趣味入门教程 LTpowerCAD II： 开关稳压电源设计工具 使用Atmel Studio 6进行系统内编程 数学线性系统理论 研讨会：100G/400G 光通信测试解决方案 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 有关wince与LUNIX的一个问题 我在使用Yc公司ARM开发板的时候，使用7寸触摸屏，winCE操作系统，使用易录4.0输入软件（手写软件）的时候，发现快速的移动情况下，线条比较稳定，慢速情况下线条非常杂乱，根本不能使用。但是Linux操作系统时，用系统自带的手写输入法，线条却始终能够稳定，不知道是否是winCE下的驱动问题，还请各位达人指导。有关wince与LUNIX的一个问题触屏驱动，去拌有问题当然也有可能是输入法没有做好 2042 任何高速和高功耗的器件应尽量放置在一起 任何高速和高功耗的器件应尽量放置在一起以减少电源电压瞬时过冲，新手请教，为什么这样就可以减少瞬时过冲？任何高速和高功耗的器件应尽量放置在一起 bbytnb AO3407做开关用时这样用对不 打算用AO3407当开关用，用了一个CH340把USB转成串口，但大部分时间都是用不到的，设备电池供电，因为想平时把CH340的电源关了，电路如下。我是这么想的，如果使用的时候单片机输出低电平，MOS管导通，CH340上电，可以工作，现在这一步没有问题。但是关闭的时候就不行了，CH340EN输出高电平的时候，CH340VCC端测得的电压为2.2V左右，无法正常关闭，第一次用MOS管，不知道这样用对不。图中+3V的地方实际电压为+3.3V，单片机的高电平跟电源电压也基本一致，差2mV左右. jishuaihu 【玩转LaunchPad】板上资源解读 本系列文档特别感谢坛友wstt、david_lee、cat3902982、sugerlatu、zhangdaoyu等朋友的大力支持下，他们花费了很多时间和精力，将坛子里的资料进行了规整、总结，没有他们的付出，就不会有本教程的出炉。本教程旨在带领初学者入门，如果还需要再深入了解，可在论坛随时沟通，也可以分享自己的设计成果。为支持LaunchPad活动，我这个万年潜水者也来发帖了。跟着我们一起了解LauchPad的板上资源吧！【玩转LaunchPad】板上资源解读很好，期待 EEWORLD社区 这个芯片来自大名鼎鼎的“芯片航母”：TI 德州仪器 你点击付款，买下一条9.9包邮的苹果数据线；你成为了这根数据线本月下单的三十万买家之一；恭喜你，你不仅买到了这根看上去光鲜亮丽的线，还亲自见证了一场旷日持久的战争，以及战争背后鲜血淋漓的暂时胜利者。【淘宝上淋琅满目的iPhone数据线产品】一根线引发的“战争”从某种角度上说，iPhone和它的老爹乔布斯一样，不是一个让人愉悦的朋友。因为它对于自己的“合作伙伴”——例如数据线——有着严苛甚至残酷的要求。“为了保护手机数据的安全传输。”“为 qwqwqw2088 请教一下，为什么硬件仿真时Atmega16A定时器1的OCR1A和OCR1B不能被赋初值 本帖最后由ltwsq于2015-4-1718:34编辑 用CVAVR编译代码之后，在AVRStudio4中使用JTAGICE进行硬仿真执行到这几句i_temp=level_count;OCR1A=level_count;OCR1B=level_count;这两句是把常量数组的某一个值当初始值赋予OCR1A和OCR1B，这个常量的数值是可以正确取出的，为了跟踪这点，我特意用一个变量i_temp来看一下这个常量数组的值是否正确取得，从上图可以看出，值已经 ltwsq 网友正在看 Altium Designer—制作封装元件 图像色彩空间（Bayer） BC20模组原理图绘制-串口通信部分 Geomerics Enlighten实时全局照明SDK 触控USB鼠标实验(M3) 明德扬的FPGA设计模板 matlab基本操作函数cylinder C2000DesignDRIVE 位置管理器
