本课程为精品课，您可以登录eeworld继续观看： Stochastic Gradient Descent Convergence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 PLC编程入门视频教程 基于成本和效率考虑的PFC设计 英飞凌AURIX TC264开源库极速入门 [高精度实验室] 多路复用器 电源模块新产品及其技术优势介绍 WEBENCH热仿真概述 英式树莓派起步教程 直播回放 : 无线技术改变智能生活 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 有折腾QEMU的高人吗，问一个中断的问题 我想模拟一个外部中断，然后执行中断处理程序，就像定时器或是UART子类的外部设备，但是不知道哪一个函数用来产生中断，另外中断处理程序有什么讲究吗，跟普通的386嵌入式系统应该一样吧。。。我用的是0.10.5的源码。有折腾QEMU的高人吗，问一个中断的问题请仔细研读qemu的pic的相关代码，qemu模拟的是一款相当老的pc主板。不知道你到底是想做一个设备，并inject中断呢，还是想怎么着？比如现在模拟的是一个嵌入式的386的板子，现在有一个8259接到CPU上INT0引脚，那么中断来的 adadad111 老师，我想问你个问题 我用T0接收脉冲,T1定时50ms（晶振的固有频率是11.0592MHZ)，最后我把T0的高八位和低八位分别给A,B.那么我怎么显示所计的数据呢?我需要这个程序呢老师，我想问你个问题学习中，感谢分享，谢谢课本上应该都有吧！把T0的高八位和低八位分别给A,B.那么我怎么显示所计的数据呢?你不是能得到数据吗？由于T0的高、低8位均是16进制的，所以不能直接将这4个数据拿来显示，要转换为BCD码以后才能用于显示。那你想就统计50mS时间段内的T0值，还是若干个50mS（例如20个为1S） 15075018luerdu 32年前撰写，依然值得深度的文章——避开无源元件的陷阱（转载） 本帖最后由春之歌于2015-5-716:44编辑 转自ADI中文技术支持论坛：https://ezchina.analog.com/message/24859#24859这是发表在1983年《模拟对话》上的一篇文章，由今天的ADI院士ScottWurcer及其同事DougGrant撰写。32年，已经超过很多筒子的年龄，但里面的诸多观点依然值得大家一读。分享出来供大家参考，原文PDF下载请点击链接http://www.analog.com/media/cn/t 春之歌 这样的干扰怎么解决？请赐教 本人设计的工业仪表，遇到这样的问题：输入信号0-20MV。当用手触摸输入端子的时候，显示值会波动，这是什么干扰（好象是串模干扰），如何解决？注明：信号是经过了2个模拟开关（CD4051），由OP07放大再采样。这样的干扰怎么解决？请赐教用差模平衡输入就不会了回复楼主lwt的帖子怎么就没有人知道也?差分输入好象不适合,因为输入信号有一端接地.回复沙发dcp2的帖子其实这是个在模拟电路中常遇到的问题,我希望大家能多讨论解决的方法.共同提高.把自己的解决办法总结一下.看看怎么 lwt 交流调速节能技术的应用 在电机传动中，电动机调速控制主要应用于两个方面。一是为满足运行、生产工艺要求需要调速；另一类是设备如风机、水泵等为了减少运行损耗，节约电能也需要调速。本文将重点讨论节能调速。交流调速节能技术的应用 frozenviolet 有没有人在stm32上跑freertos做过产品？ 硬件平台看中了stm32，软件系统看中了freertos。百度上说freertos比ucos好一点,消息机制简单，但也够用了。但没见到采用freertos的产品。对ucos的收费比较讨厌。有人做过成熟稳定的产品吗？如果这个系统没什么大问题，打算一段时间内采用这个作为开发的平台，投入人力仔细研究一下。有没有人在stm32上跑freertos做过产品？应该没有什么问题，是一个比较优秀的rtos.目前我们再用，感觉还行 5151515151 网友正在看 频谱的线性搬移电路（一） Pathological Data Sets and Universal Hashing Motivation TinyEngine - Efficient Training and Inference on Microcontrollers EMC共地干扰问题解析 離散F轉換 - 8_傅立葉轉換範例 - 週期三角函數 北京大学课程：电磁学28 F题—纸张计数显示装置解析与交流 总线及其形成（四）
