本课程为精品课，您可以登录eeworld继续观看： Online Learning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 基于MCP6N11和MCP6V2X的惠斯通电桥的参考设计 如何使用Arduino给STM32F1编程 直播回放: ADI 在可穿戴产品中的生命体征监测解决方案 linux驱动教程（讯为itop4412） Tektronix TDS2024C拆解 智能功放黑科技培训讲解 消费电子应用中不容忽视的比较器方案 Altium Designer 22电子设计入门实战56讲 热门下载 场效应晶体管及其集成电路 经典教材：《电子元器件及手工焊接》(7).pdf 单片机控制的LCD心电监护仪的设计 AMC7150cv资料 μPD7802808单片机的功能及应用 Verilog HDL语言的PPT教程。包括简介、逻辑概念、语法和示例。 遗传工具箱及代码 HDS组态软件功能演示工程 数字电路课程设计教学大纲.doc Digital Signal Processing Using MATLAB 3rd Edition, by Vinay K. Ingle and John G. Proakis.pdf 热门帖子 负电源轨不会消失（转） 背景负电源轨与主要的IC构件配合使用，例如：数模转换器(DAC)、模数转换器(ADC)、运算放大器和GaAsFET偏置电路等。对称的电源(轨)可处理AC信号，并且不会产生DC偏移。显然，假如仅存在一个正电源轨，那么输出信号通常只能采取正值(取决于电路拓扑);然而，如果有了正电源轨和负电源轨，则输出信号就可从负电压摆动至正电压。再者，在诸如过程控制等实际信号为双极型的应用中，负电源是很重要的。以电动机控制为例，正电压会引起“顺时针”旋转，负电压将引起“逆时针”旋 qwqwqw2088 基于MSP430超低功耗设计的超声波测距学习资料 超声波测距，低功耗设计基于MSP430超低功耗设计的超声波测距学习资料下载，顶学习一下感谢分享感谢分享感谢分享谢谢奉献！谢谢分享，学习下好贴，支持楼主分享，顶谢谢楼主支持！呵呵感谢有你的分享！感谢楼主 kingheimer 给大家拜年了！ 祝大家新的一年里有新的进步，有新的收获；同时祝愿我们的板块越来越红火！给大家拜年了！新年快乐坛友万岁拍拍马屁，版主万万岁。电工们，新年快乐！给版主拜大年了！新年好！祝坛子越办越火！最好能追上东莞的阿莫雕刻机论坛！新年好，祝EEWORLD羊年红红火火！加油加油！给版主领导及广大坛友拜个晚年!祝坛子越来越旺!祝愿论坛越来越红火，各位坛友都取得好的成绩。身体健康，万事如意，喜气洋洋。祝版块越来越火，祝网友收获越来越多。soso发表于2015-2-250 chenzhufly DSP从入门到精通全集（一块钱） DSP从入门到精通全集看到论坛这个东西要钱挺多的……DSP从入门到精通全集（一块钱）正在学，谢谢谢谢您好，用CCS软件能读和写TMS320F243PGE内FLASH程序吗？请了解的工程师留下联系方式。DSP可以读写。不过只能读数据吧，要是想读程序有太困难了~回复4楼缘份1110的帖子谢谢露珠了，正在学习谢谢了能不能免费啊？呵呵，谢谢楼主谢谢楼主，正在学DSP谢谢楼主好书谢谢了看看全是英文。。。。。。学习谢谢楼主的无私奉献。多谢分享谢谢分享~ sw0605 炼狱传奇-关系运算符之战 关系运算符有以下四种：（1）aba小于b（2）aba大于b（3）a=ba小于或者等于b（4）a=ba大于或者等于b在进行关系运算时，如果申明的关系是假的（false）,则返回值是0，如果申明的关系是真的（true）,则返回值是1，如果某个操作数的值不定，则关系是模糊的，返回值是不定值。所有的关系运算符都有着相同的优先级别。关系运算符的优先级别低于算数运算符的优先级别。见下例：//表达意义相同asize-1a(size-1) 梦翼师兄 dsp中怎样把epwm模块中断禁止，哪位可以告诉我下 dsp中怎样把epwm模块中断禁止，哪位可以告诉我下dsp中怎样把epwm模块中断禁止，哪位可以告诉我下初始化中把对应的使能位清零就行啦，一般默认的都是不使能中断的！//EnableCNT_zerointerruptusingEPWM1Time-baseEPwm1Regs.ETSEL.bit.INTEN=1;//EnableEPWM1INTgenerationEPwm1Regs.ETSEL.bit.INTSEL=1;//Enableinte haha520525 网友正在看 选择最适合您应用需求的ADC架构 第1部分：精密SAR和Delta Sigma模数转换器 第一章 第2讲 导论（四） LPC80x 微控制器系列: 生态系统介绍 NXP PEPS 应用方案 Linear classification1 自动驾驶的矫正 电路方程的矩阵形式（一） 数据校验和防碰撞算法（二）
