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 正在载入数据,请稍等... 猜你喜欢 Hercules™ ：只为更安全_2016 TI 嵌入式产品研讨会实录 示波器使用方法视频教程 合见工软小课堂——先进封装需要怎样的EDA工具“神助攻”？ Modern Robotics: Mechanics, Planning, and Control 半导体器件物理 （施敏 台湾交通大学） 可用10年的蓝牙PIR运动检测方案 Atmel加密认证产品介绍 球形六足机器人宠物 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 Ti CC2540蓝牙模块学习笔记整理 接触CC2540几天，终于有了初步的理解，现将笔记整理如下，只是皮毛，如有错误，还请指正，还有好多没闹明白的地方，以后应该还会继续向里面更新~一、整体1.TI的蓝牙平台支持2种协议栈/应用配置：单一设备配置、网络处理器配置2.协议栈最顶层2个通用profile：GAP通用访问配置文件层GenericAccessProfileGATT通用属性配置文件层GenericAttributeProfileGAP：处理设备的接入方式及接入过程：①设备发现②链路建立③链路终止 Jacktang 带字库12864的英文字体是什么字体？ 最近在做LCD点阵屏（不带字库）的相关产品。在做字体取模的时候发现宋体的阿拉伯数字和英文字体实在不忍直视，希望有一种字体能达到带字库12864的阿拉伯数字和英文的字体效果，但是试遍了所有的字体（已安装）也问遍了所有能问的人愣是得不到我想要的。所以来此发帖希望有高人能指点迷津。带字库12864的字体效果：带字库12864的英文字体是什么字体？这么几个字母你手写字库一会就搞定了。就是英文ASC码啊,没别的啦,你是不是没搞对数据类型啊自己转的，你有图也可以直接显示图感谢大家的热情回复， shipeng LT8631上电不输出 1、很奇怪，我们自己也对了好几次没有发现存存明显设计上的问题。2、这个设计我们进行过浪涌测试2000V没发现问题。3、感觉是Linear料的原因，但是又没有办法证明。4、Linear被ADI收购后，技术支持也找不到，郁闷。LT8631上电不输出1，怀疑是输入启动瞬间过压造成。建议抓一下Vin波形。2，原因可能是与输入电容选型有关。图中的C2如果是用的陶瓷电容那么出问题的可能性就比较大了。芯片规格书在“InputCapacitorSelection”中有提到这个类似现 szw5984 基于Proteus的MSP430单片机仿真实例12-4X4矩阵键盘键值显示 此内容由EEWORLD论坛网友tiankai001原创，如需转载或用于商业用途需征得作者同意并注明出处一、任务要求将4X4矩阵式键盘编号，如果其中一个按键闭合，则在LED数码管上显示相应的按键编号。二、分析说明4X4矩阵键盘只需要占用一个8位的I/O端口，硬件电路的设计较为简单，重点在于如何在程序中判断矩阵键盘的按键位置。三、硬件电路硬件电路如下图所示。选取MSP430F247单片机的P4端口连接数码管，用以显示按键编号，P tiankai001 ADS7843与XPT2046触摸屏有什么区别吗？ 不太了解只知道怎么使用以及原理但是不知道这两个触摸屏的价格包括其他有什么不同求对比？？？ADS7843与XPT2046触摸屏有什么区别吗？没用过。。。。。。。。。。。 好吧谢谢 qian520 晒一晒 TM4C129X开发板 我刚刚拿到这块板卡，功能应该比较强大，数据手册就超过2000页我这块比较贵，大约要199美元，网上有不带液晶屏的简化版20美元的launchpad板卡这个坛友可以买！！！晒一晒TM4C129X开发板平湖秋月发表于2014-3-2111:31 平湖秋月发表于2014-3-2111:31 平湖秋月发表于2014-3-2111:32 很霸气的板子，期待多多跟我们分享心得！我也等着看使用心得，不知道楼主想用这块板子做什 平湖秋月 网友正在看 51单片机之串口1实验 Buck变换器深入(上) 开发环境搭建 单相桥式全控整流电路电感性负载原理分析 wireless 深圳.3.3.CC1350 Launchpad 测量电感纹波电流的有效电流测量技术 PCB设计进阶（下） 相关学习资源
