本课程为精品课，您可以登录eeworld继续观看： Ceiling Analysis- What Part of the Pipeline to Work on Next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 Altera Mini-Data机器人 Altera Quartus II 14.1采用DSE优化Quartus II设计 零基础电路学 用于白电等家电市场: 高性能开关电源 - 28V DC-DC同步降压转换器 怎样测量DC-DC转换器的效率 SYS BIOS 简介(2) —— 定时器和时钟模块 Required Technologies for Transmission of 4 x 25 Gb/s Over a Copper Backplane (上) Low Iq LDOs 低静态电流LDO 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 LM3S产生硬件故障hard faults的各方面原因 LM3S产生硬件故障hardfaults的各方面原因有哪些?比如每个外设模块都需要时钟和使能,如果没开时钟和使能直接访问就会产生hardfaults程序跳转到FaultISRBFaultISR的位置,,我做了一个串口通讯,发送20字节,接受32字节,这样相互通信1000多次后,就准确的产生hardfaults,,不知道这是为什么?LM3S产生硬件故障hardfaults的各方面原因搞定,原来是访问内存超界的原因...学习了一般碰见 kiilycn 在pda中如何让datagrid的列可编辑 开发平台：VS2005(c#)pda上的操作系统为：windowsCE我想实现在datagrid中的某一列可以编辑，如何实现？我试了一下，在windows平台下可以编辑，在pda下这个datagrid无法编辑，请教高手们给出解决办法，感激不尽！在pda中如何让datagrid的列可编辑 lmcmc 为什么会对负电源感到不爽？ 转自：德州仪器微信作者：RobertTaylor1大多数电源设计人员都知道怎样把较高电压转换到较低电压（降压转换器）或把较低电压转换到较高电压（升压转换器）。但如果要生成不同极性的电压又当如何呢？这类电源设计并不常见，但对各种工业、音频以及RF应用来说极为必要。从正极生成负电压有几种不同方法。您可使用任何类型的隔离转换器（反激、正激等）或升降压转换器。在使用隔离转换器时，GND被隔离，设计人员可根据设计需要随意连接负载。在使用非隔离拓扑生成该负电压时， okhxyyo 自动洗手器电路图 本帖最后由jameswangsynnex于2015-3-319:59编辑自动洗手器电路图本帖最后由jameswangsynnex于2015-3-319:59编辑谢谢分享。。。本帖最后由jameswangsynnex于2015-3-319:59编辑谢谢楼主的分享谢谢分享哦哦哦原来如此，。， 探路者 如何采集正弦信号的幅值？ 我想采集一正弦信号的幅值，在网上了解到可以用高速AD还可以使用LF398等采样保持电路可以得到幅值，但这种方法我们必须知道此信号何事达到最大值，如果我想采集一个未知的正弦信号的幅值，请问还有什么有效的方法啊？如何采集正弦信号的幅值？最简单的，是参考调幅收音机的检波电路，它就是取幅值的电路，非常简单：要个二极管再加个阻容滤波就行了。仅使用AD，而不作保持处理的话，需要速度较高的芯片，要高于所测量信号的频率的多倍，越多越好。然后再作些数据处理。“采集一个未知的正弦信号的幅值”，总有个可能的 守月 有人用过这个神仙设计吗？ 初看？？？ 细想yyds 为啥现在没有了啊 我觉得这个老好了有人用过这个神仙设计吗？估计是因为只能装在角落吧。我觉得这个反而有需求 估计是因为只能装在角落吧。 我觉得这个反而有需求感觉不是太美观啊，而且墙脚的位置不如中间的位置吹到的地方多啊小众产品，特殊用途省地方，虽然不好维护，但是能充分利用空间也是不错的。若能设计的更人性化的方便拆卸维护就更好！我去搜了搜最早日本小房子小空间角落的空调，不得不说日本的很多工程师脑洞不小啊你们 吾妻思萌 网友正在看 模拟电子技术基础41 汇编LED驱动实验-驱动编写 原理图工具栏图标不显示了，怎么调出来？ Qt信号槽介绍 5元钱简易防偷拍神器，快来动手做一个吧 MATLAB Arduino（18）:在MATLAB中使用fill() -缩放和平移二维动画 嵌入式软硬件裁剪原则 Linux驱动开发—中断程序编写与测试
