本课程为精品课，您可以登录eeworld继续观看： Sliding Windows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 手把手教Hercules Launchpad（2） 【虚拟仪器大赛】基于My-RIO的安全流动监测机器人 专题：maychang老师趣味电子技术史话视频讲座 [高精度实验室] ADC系列 7 : SAR ADC 功耗分析与计算 基于灵动MM32SPIN系列MCU的无感FOC便携冰箱应用方案分享 电工学（天津大学） 高速数据转换器信号处理：真实和复杂的调制 Atmel Studio完备的集成开发环境 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 KEAZN64实现编码器ABZ方波输出 现在一个项目需要用KEAZN64实现ABZ编码器方波输出，各位大神给点指导吧，谢啦KEAZN64实现编码器ABZ方波输出 奔跑的猴子 太阳能LED照明控制系统的处理器设计 太阳能是一种清洁的绿色能源，半导体发光二极管（LED）也是一种环保、节能、高效的固态电光源。将LED技术和太阳能技术相结合在一起，开发太阳能半导体照明，是最佳的节能、环保组合，是新一代能源和新一代光源的完美结合。系统通过控制器实现系统工作状态的管理、蓄电池剩余容量的管理、蓄电池充电、放电控制、太阳能电池电源及市电电源的切换控制以及LED负载半功率控制等主要功能。而控制器是主要依靠处理器的运转来实现上述功能的。 1、系统构成 太阳能LED照明控制系统主要由太阳能电池、蓄电池、系统控制 探路者 可改善W-CDMA手机发射效率的开关电源 本帖最后由jameswangsynnex于2015-3-319:59编辑可改善W-CDMA手机发射效率的开关电源可改善W-CDMA手机发射效率的开关电源 sw 猎头职位:深圳著名外企招聘Staff SW Development Engineer 深圳某著名半导体外资企业委托招聘一名:StaffSWDevelopmentEngineer,Qualifications:-MSCSwith8plusyearsofsystemsoftwaredevelopment&SQAexperienceisaplus.-WorkingknowledgeofFTP,SQL,Proxy,andWebservers.-Workingknowledgeofautomatedteste postman 控件绘图下一屏显示问题 我在用控件绘土时第一页很容易就显示出来了,可是下一页就不能绘制出来请问各位是什么原因啊控件绘图下一屏显示问题什么控件？最好给出源代码，可以肯定是你的代码的问题。是不是把资源给释放了,仔细检查一下代码.我的代码如下：，但一屏时能很正常的显示，到了第二屏就画不出来了//用于刷新控件显示voidmain::InvalidateCtrl(){CPen*oldPen;m_crBackColor=RGB(255,255,255);//控件背景色m_crTex wmdsummer 串口传输数据问题 利用STM32模拟超声波测距，一个串口接收来自定时器产生的计数，另外一个串口2将串口1接收到的数据加以修改显示在终端。串口传输数据问题因为没有超声波模块，就将两个按键作为发送超声波和接收到回波来模拟，其中当按键按下是，产生方波，并开始计时，当按键2按下是，停止计数，计算距离。问题呢？问题是我这个程序部知道该怎么写？而且不知道通过串口发送什么数据？发送时间还是什么？求指点迷津片内传输数据何必用串口？！是我理解错了吗？定时器级数、距离计算都可以由STM32完成，串口直接把需要显示的 werrfccd 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）
