本课程为精品课，您可以登录eeworld继续观看： Map Reduce and Data Parallelism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 2015电源设计研讨会: 德州仪器电源新产品 直播回放 : 迈来芯高可靠可编程霍尔开关 Fairchild 仙童 Power Supply WebDesigner 在线电源设计工具介绍 HVI 系列: 用GaN设计可靠的高密度功率解决方案 [高精度实验室] ADC系列 5 : ADC 的频域指标 如何在刷式直流电机驱动器中运用集成式的电流感应器 被斩首肢解的搭车机器人HitchBOT“生前”的顺风车之旅 CES 2015焦点: maXTouch T Series手势解锁功能演示 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 求一个简洁的24V转12V100mA电路 在24V的环境中，要使用到NE555，而NE555的最大电压是15V，工作电流是10~15mA，加上NE555输出用的电流，差不多100mA，我用了个78L12将24V转12V，但是发热太大了，求一个体积很小，很简单的电路，或者是什么办法能让NE555直接用24V求一个简洁的24V转12V100mA电路利用DCDC芯片，很多种，自己找个24V转12V，压差大，100mA又不大，又要求体积小，就是封装小常规芯片不一定有合适不知道楼主的输入电压的范围，可以看一下 sky999 单片机控制GSM手机的技术及应用 随着科技的飞速发展和人民生活水平的不断提高，手机的普及率越来越高，更新也越来越快，价格也越来越便宜。因为手机工作的无线网络覆盖范围广，在信息传递方面性能稳定、可靠，所以把手机作为信息传递的载体，与单片机结合起来构成应用系统有着强大的生命力和广阔的应用空间，特别是在远程数据传输、远程监控等领域更是受到电子设计应用工程师的关注。一些专业刊物也介绍了一些有关这方面的文章，然而由于手机的控制指令复杂，数据格式繁琐，工程技术人员在进行单片机与手机的硬软件接口设计时经常会遇到很多困 rain 基于电容数字转换器 AD7150的PKE系统 基于电容数字转换器AD7150的PKE系统这个不是已经有产品了吗?我就搞这个安装的,ls目前也在做？幸会！是的，目前的PKE产品有很多采用相似方案 CarlLee Git 本地仓库创建和一些基本概念 Git本地仓库创建和一些基本概念 使用gitinit命令创建本地仓库 仓库区和工作区 ​​​​​​​.git文件夹为仓库区，类似于一个数据库存储着每一次提交的变化.git所在的目录为工作区，我们在这里创建项目，和其他文件 ​​​​​​​使用gitadd.可以把文件添加到暂存区 lugl4313820 【德州仪器 TI招聘】研发类和销售类岗位 “三十而立，从芯出发”自1986年德州仪器（TI）进入中国，TI已经在中国根植了30年。30年来TI中国与国内众多知名厂商紧密合作，有效提升了中国电子产业核心技术水平，缩短了产业化进程，加快产品进入市场的时间。这其中离不开每个才华横溢优秀员工的精彩表现，使得这样一个半导体的“百年老店”一直保持着技术创新的激情和不断超越自我的勇气。今天这家“老店”招新了，下个30年你愿意与行业最优秀的“大拿”共创辉煌，从芯出发吗？部分研发类岗位欲了解更多 eric_wang 分享一本数字信号处理的入门书 最近在学习数字信号处理的相关知识，在论坛上查到有人分享了一本书，但是论坛里找不到资源，去网上找到了，分享给大家。TheScientistandEngineer'sGuidetoDigitalSignalProcessing科学家与工程师数字信号处理指南StevenW.Smith博士所著的《科学家与工程师数字信号处理指南》提供对数字信号处理的实用介绍。本书涵盖众多主题，对于新接触DSP的读者而言，它是理想的入门教材，而对于经验比较丰富的用户，则可提供很好的参 GOZOO 网友正在看 家庭物联网关介绍 第四章-02-结构体成员的默认值 电子测量原理40 布局-PCB封装更新 三阶系统仿真实验 ADI技术及产品支持中国能源互联网.p1 电力电子基础 如何开发DSP在OMAPL138（除了Linux）
