本课程为精品课，您可以登录eeworld继续观看： Problem Description and Pipeline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 CSS3疯狂5小时 TDA2x评估平台 机智云ECE入门教程 linux操作系统之父 Atmel SmartConnect 平台 - 全新物联网 Wi-Fi 解决方案（二） 具故障保护功能的高功率、升压 / SEPIC / 负输出 DC/DC 输出转换器 通用快速充电能带来什么? 远程打泡器 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 MSP430上电复位与看门狗复位或者跳转到中断复位向量处执行有什么不同？ 请问：MSP430上电复位与看门狗复位或者跳转到中断复位向量处执行有什么不同？\0\0\0eeworldpostqqMSP430上电复位与看门狗复位或者跳转到中断复位向量处执行有什么不同？上电硬复位会重置所有寄存器包括IO状态寄存器，其它的复位不会。 小煜 想找人开发一个传感器 问题解决，谢谢大家，成本300左右。想找人开发一个传感器使用扫描方式是否可行？分析一下检测的物体的特性，只是这个针还是各种物体。如果是图上这种效果用图像处理应该不难。那用图形处理的方式还挺合适。把背景再优化一下应该还是容易提取。就看物体经过的速度。看来电磁感应器和光电感应器已经被楼主否定了。楼上说的是借助ccd视觉系统判断。没提到那个针的速度啊用激光反射式传感器可以，日本那家叫基恩士的看过是个技术难题啊，，可以检测和针连接在一起点东西，需要精确的话开机校准一下如果 qdsantian microSD卡座封装 求一个microSD封装,如图示,搜了一下,封装尺寸一堆,不知道哪个合适,偷懒球求一个,如图示microSD卡座封装我给你传一个封装，应该能用。具体尺寸不知道是否合适，不合适可以修改。sd座Altium格式格式lcofjp发表于2015-2-508:55我给你传一个封装，应该能用。 OK,3ks.可有SD卡的读写程序？ wenzheng TFT液晶（ssd1289驱动）快速上手『基于msp430单片机的程序讲解』 首先讲个题外话，论坛上有很多分享代码的，不过，我觉得，唯一不好的一点就是：只上传代码，却没有具体讲解一下代码。要是代码里有详细的注释，那样的话，不具体讲解代码也没什么关系；但是有一些代码连注释都没有或者注释很少，让人看得很费力，那就有点不太好了。上传代码共享是一件好事，要是有一个好的注释那就更好了！！好了，不扯了，现在聊聊ssd1289液晶。这几天用了一下ssd1289液晶，调好了程序，在此分享一下。该液晶使用msp430f149/169单片机控制的。 hjl240 【Altera SOC深度体验之旅】FPGA和我 早年我上大学时生平第一次接触到FPGA，一连好多晚上我失眠了，她就像一位风姿绰约的女神，我被她深深地吸引住了，让我为她魂牵梦扰，在高校里我在老师的指导下系统学习了FPGA，更是为她的强大功能所折服，每当看到FPGA的书籍时我就像饥饿的人见到了面包，老师那里有关FPGA的书籍我几乎全部阅读过，为了向老师借本书我在冬天的大风雪中等了好久，人也快冻僵了，但是能够获得知识让我感觉非常快乐。另外，网络也是很好的学习平台，我的很多知识来源于网络，ALTERA为我们提供了一个很好的学习平台，让我受 bsdlinux STM32F409高速USB通讯方式有哪些？ 我是STM32小白，最近想用F4把设备存储的数据通过主机USB口读出来，粗略看了一下，高速USB口与电脑连接后，USB设备可以映射成串口、存储设备，我想知道，还有没有其他的工作方式？比如，我自己开发一个上位机界面，与F4通讯，直接发命令读取数据（把F4做成私有设备，只能用上位机软件操作）。这种情况下，ST提供USB设备驱动程序了吗？谢谢！STM32F409高速USB通讯方式有哪些？ 烹小鲜 网友正在看 第7.2讲 Uboot移植实验-在Uboot中添加ALPHA开发板 More about Auto-encoder (2) 直流电机原理与TB6612 进阶基因演算法 3. 格雷编码 电子测量原理09 eLTE-IoT中的excellent技术 数据链路层服务 5-1_raspberryPi_USBHD
