【HarmonyOS】鸿蒙开发（三）：进阶组件与复杂布局实践校园二手交易平台“河你交易”的主页开发1. 页面整体包含六大核心区域：顶部搜索区、快捷功能区、广告轮播区、横向分类区、商品列表区、底部导航区2. 搜索区使用TextInput组件实现输入功能3. 快捷功能入口采用Grid布局展示4. 广告轮播区通过Swiper组件实现自动轮播效果5. 横向商品分类使用可滚动的Row布局（支持水平滑动）6.

本文是【2025吴恩达机器学习课程笔记】全16篇系列文章的官方汇总目录帖。内容严格遵循吴恩达老师的教学大纲，覆盖了从监督学习（线性回归、逻辑回归、神经网络）、无监督学习（K-均值、PCA、异常检测）到强化学习（Q-Learning、DQN）的完整知识体系。本帖提供全系列博文的超链接导航，旨在为学习者构建一份清晰的学习路线图和一站式快速查阅指南。无论你是初学者系统入门，还是从业者巩固知识，这都是一份

本文深入讲解了核心优化算法——梯度下降，阐述了其更新规则、学习率α的关键作用，并将其应用于线性回归的参数求解。文章进一步将模型扩展至多维特征场景，引入了向量化表示以提升计算效率，并简要提及了正规方程。最后，重点介绍了一个必不可少的实践技巧——特征缩放，通过分析其如何改善代价函数等高线图的形态，解释了为何它能显著加速梯度下降的收敛速度，并总结了Z-score标准化等常用实现方法。

本文标志着我们从监督学习迈向无监督学习。文章首先详细介绍了无监督学习的核心任务——聚类，并深入剖析了最经典的K-均值（K-means）算法，包括其迭代步骤、优化目标（失真函数）以及在实践中如何选择聚类数量K。随后，文章转向了无监督学习的另一大应用——异常检测，阐述了其基于密度估计的核心思想，并详细介绍了一种基于高斯分布的异常检测算法的实现与评估方法。

本文深入探讨了机器学习中关键的过拟合与欠拟合问题，解释了过拟合如何因模型过度复杂而损害其泛化能力。作为核心解决方案，文章详细介绍了正则化技术。其原理是在代价函数中引入一个惩罚项，通过限制参数 w 的大小来简化模型、使其更平滑。文中具体阐述了正则化参数 λ 如何平衡数据拟合与模型复杂度，并分别展示了正则化是如何被应用于线性回归和逻辑回归的代价函数及梯度下降算法中，以有效防止过拟合。

本文介绍了神经网络训练中的损失函数与反向传播机制。文章首先阐述了损失函数的作用：量化模型预测与真实目标的差距，为反向传播提供依据。接着，重点讲解并用代码演示了L1 Loss、MSE Loss及CrossEntropy Loss三种常用损失函数的计算方法。文中还展示了如何在训练循环中集成损失计算，并阐明了反向传播正是利用计算出的损失值来调整网络参数，从而使模型预测不断逼近真实目标。全文结合图示与代码

本篇笔记深度解析李宏毅课程中的核心网络架构。首先阐述深度学习“三步走”框架及全连接层的矩阵运算本质。重点剖析序列模型，从基础 RNN 进阶至解决长程依赖的 LSTM 与 GRU，详述其门控机制、数学公式及双向、堆叠（Stack RNN）等变体。同时解析 CNN 中感受野、参数共享与池化层的设计哲学。最后以 CLDNN 为例，展示如何融合卷积层提取特征、LSTM 捕捉时序与 DNN 分类，构建处理原

本文是吴恩达机器学习课程的第一篇学习笔记，系统地介绍了机器学习的入门核心概念。文章首先对两大基本范式进行区分：利用带标签数据进行预测的“监督学习”（包含回归与分类），以及在无标签数据中探索内在结构的“无监督学习”（以聚类为例）。随后，文章聚焦于监督学习中的第一个具体算法——单变量线性回归，详细定义了其模型表示 f(x)=wx+b 及相关术语。最后，引入了衡量模型性能的关键工具“代价函数”，通过可视

鸿蒙开发（六）：实现页面路由与跳转1. 本文实现“河你交易”平台路由跳转，含登录页、首页、购物页、个人中心页导航。2. 登录页验证账号（ZhangSan）和密码（00000000），通过`router.pushUrl`跳转首页，错误弹窗提示。3. 底部导航为“首页”“购买”“我的”绑定路由，分别跳转至`pages/Zhuye`“`pages/Shop`”“`pages/Wode`”。4. 个人中心

本文以吴恩达视频为参考，介绍了机器学习模型调试的核心策略，包括针对高偏差（欠拟合）和高方差（过拟合）的不同优化方法。重点阐述了偏差-方差权衡原理，并详细说明了神经网络调试流程：先通过增大网络解决高偏差，再通过正则化或增加数据解决高方差。文章还提出了机器学习开发的迭代循环框架，并强调错误分析的重要性——通过统计模型错误类型来指导优化方向。最后指出以数据为中心的AI视角，建议针对性增加错误类型数据和采