y 则是预测的连续值（比如房价）。它以真实标签的概率分布（如 “真实是第 2 类” 则为 [0,1,0] 的独热编码）和模型预测的概率分布为输入，模型预测越偏离真实标签，损失越大，梯度也越大，能快速 “惩罚” 错误预测。线性回归聚焦于回归任务，输出连续值，输出层只有 1 个神经元，核心运算为线性变换（wᵀx+b），常用平方损失函数；Softmax 回归针对多类分类任务，输出离散类别对应的概率分布，

工业文明演变：历经机械化（18 世纪末，蒸汽机）→ 电气化（19 世纪末，电力应用）→ 信息化（20 世纪 50 年代，电子 / 自动化技术）→ 人工智能时代（21 世纪，智能系统）。核心成功领域：图像分类 / 检测 / 合成、语音识别、机器翻译、围棋博弈（AlphaGo 系列）等。目标函数：量化模型优劣的 “损失函数”，回归用平方误差，分类用错误率，通过最小化损失求最优参数。监督学习：基于 “特

通过本次学习，我不仅提升了数据分析的实践能力，还对美妆行业在双 11 期间的市场动态有了更深入的理解。在未来的学习和实践中，我将继续深化对数据分析方法和工具的学习，尝试运用更多的机器学习算法挖掘数据价值，如预测不同品牌的销售趋势、消费者购买行为分析等。同时，关注行业动态和市场变化，将数据分析与实际业务紧密结合，为企业决策提供更有价值的参考。

通过本次学习，我不仅提升了数据分析的实践能力，还对美妆行业在双 11 期间的市场动态有了更深入的理解。在未来的学习和实践中，我将继续深化对数据分析方法和工具的学习，尝试运用更多的机器学习算法挖掘数据价值，如预测不同品牌的销售趋势、消费者购买行为分析等。同时，关注行业动态和市场变化，将数据分析与实际业务紧密结合，为企业决策提供更有价值的参考。

通过本次学习，我不仅提升了数据分析的实践能力，还对美妆行业在双 11 期间的市场动态有了更深入的理解。在未来的学习和实践中，我将继续深化对数据分析方法和工具的学习，尝试运用更多的机器学习算法挖掘数据价值，如预测不同品牌的销售趋势、消费者购买行为分析等。同时，关注行业动态和市场变化，将数据分析与实际业务紧密结合，为企业决策提供更有价值的参考。

本文介绍了使用Python的requests库爬取静态网页的入门方法。首先解释了静态网页的特点（内容固定、直接返回HTML源码），对比了动态网页的区别。通过5行核心代码演示了如何爬取百度首页源码，包括发送请求、处理编码和异常捕获等关键步骤。文章还提供了运行效果检查方法和新手注意事项，如遵守robots协议、控制爬取频率等。最后指出获取源码仅是第一步，后续可结合BeautifulSoup解析数据。该

四象限图像填充：将 4 张样本分别填充到拼接图像的四个象限，自动计算每张样本在拼接图像中的坐标范围（如左上角样本的填充区域为[max(xc - w, 0), max(yc - h, 0), xc, yc]），并处理样本尺寸与填充区域不匹配的情况（截取样本的对应区域）；变换矩阵构建：通过矩阵乘法组合不同变换的参数，形成最终的变换矩阵M。这些设计不仅体现了 “以数据为中心” 的模型开发理念，更包含了丰