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 解刨TI WL1283 (WiLink 7.0)芯片 汽车前照灯应用的开关式 LED 驱动器 Microchip白金等级720W AC/DC数字电源设计方案 电路（江苏大学） 采用Flexis AC MCU的机械手 无人机-飞思卡尔Kinetis KV4x MCU四旋翼电调方案 我是如何使用数字雕刻软件Zbrush制作3D打印模型的 2014 Altera SoC合作伙伴研讨会 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 Cyclone V FPGA系列简介 CycloneVFPGA系列简介Altera的Cyclone®VFPGA实现了业界最低的系统成本和功耗，其性能水平满足了您突出大批量应用优势的需求。从三种型号中进行选择：只提供逻辑的CycloneVEFPGA具有3.125-Gbps收发器的CycloneVGXFPGA具有5G收发器的CycloneVGTFPGA具有基于ARM®的硬核处理器系统(HPS)和逻辑的CycloneVSESoCFPGA具 chenzhufly NXP LPC1768宝马开发板 第十六红外接收 第十六章宝马1768——红外接收开发环境：集成开发环境μVision4IDE版本4.60.0.0主机系统：MicrosoftWindowsXP开发平台：旺宝NXPLPC1768开发板16.1EEPROM16.2硬件描述16.3 旺宝电子 ZigBee协调器网络的建立 ZigBee协调器网络的建立一、协调器网络的建立1、网络的格式化A：初始化的能量阀值为16。通过设置ZDApp_event_loop任务中的事件ID为ZDO_NETWORK_INIT以便执行B。B：调用NLME_NetworkFormationRequest函数进行申请，对申请的回应在程序中没对应的回调处理，猜想回调处理在lib库中处理。在程序找到了两个对申请结果作处理的函数，voidZDO_NetworkFormationConfirmCB(ZS wateras1 AVR CP，CPC，比较指令是如何影响SREG标志位的了 各位大侠：新手求助，AVRCP，CPC，比较指令是如何影响SREG标志位的了。只知道算术运算，逻辑运算，还不知道比较运算是怎么算的了？？？？AVRCP，CPC，比较指令是如何影响SREG标志位的了自己顶一下，能否介绍的详细，通俗些了。。。。现在用汇编的人比较少了。 hongbin70 STM32串口通讯调试问题。！感谢各位大大 小弟刚开始用STM32F103VET6。现在要实现从AD采集模拟量，然后希望通过串口在visualscope上显示实时的波形！请问：1，串口通讯用什么样的协议？USB转串口是用的USB转UASRT转换器么？2，AD采集的模拟量是通过DMA直接通过串口与电脑通讯还是怎样？STM32串口通讯调试问题。！感谢各位大大1.串口只定义了硬件特性，软件方面的协议必须自己定义，为了保证数据的安全性，尽量定义一个完整是数据帧，有帧头，帧尾，数据长度，数据，校验等2.AD采样可以使用DMA与串 defencexuwei 咨询基于LM393的报警电路 +B1、+B2分别连接同一个电阻的两端，当该电阻上的电流过载时，ALARM灯就会报警。在平常的时候，ALARM灯时灭的。请问：1.电阻R20R17有什么用？2.两个10UF电容有什么用？咨询基于LM393的报警电路差放？滤波？帮顶！R20C10构成一阶低通滤波，防止极窄的干扰脉冲引起误动作。R23C11同R20C10。R17和C5构成仅在很短时间内起作用的正反馈，同样是为了防止误动作。感觉像电压比较器这个电路确定能正常工作？guiwan发表于20 yushengjiexy 网友正在看 How To Track Down Common Mode Noise OVERCURRENT PROTECTION - 408.36 Electronics 1, Lec 1, Intro., Charge Carriers, Doping 电气过应力 (EOS) 1 （实验四）串口实验 串口RS232（八） 1.1 DLP 技术在增强现实抬头显示器应用中的优势 存储器系统设计（五）
