本实验通过两个案例实现了感知器算法：1）山鸢尾分类，利用花萼长宽特征训练模型，绘制决策边界；2）墨渍分类，生成二维数据并可视化分类效果。实验过程包括数据预处理、模型训练与测试，通过matplotlib绘制散点图和决策边界。结果表明感知器能有效解决线性可分问题，但存在非线性数据处理的局限性。实验加深了对感知器算法原理及实现的理解，掌握了特征提取、模型训练和结果可视化的完整流程。

本实验围绕回归算法展开实践，包含四个任务：1)使用正规方程实现房价预测线性回归模型；2)采用10次多项式回归拟合平面数据点；3)运用岭回归解决多项式过拟合问题，分析不同正则化参数的影响；4)基于糖尿病数据集建立线性预测模型。实验涉及算法实现、模型评估（MSE、R2）、特征处理及结果可视化，通过对比不同回归方法验证了正则化对模型泛化能力的提升效果，并输出了糖尿病预测的回归方程。

本文介绍了梯度下降、随机梯度下降和牛顿迭代三种优化算法的实验实现。实验一通过Lasso回归拟合多项式模型，展示了L1正则化在特征选择中的作用；实验二对比了梯度下降和随机梯度下降算法在线性回归中的表现，包括收敛过程和性能差异；实验三采用牛顿迭代法求解二次函数最小值，详细展示了迭代过程。每个实验均包含完整的代码实现、数据生成和结果可视化步骤，并提供了算法参数设置和性能分析。实验结果表明，不同优化算法各

本实验围绕分类问题展开，通过Logistic回归和Softmax回归模型实现了四个分类任务：山鸢尾识别、乳腺癌预测、鸢尾花分类和红酒产地预测。实验首先实现了梯度下降优化的Logistic回归算法，在乳腺癌预测中取得了98%的准确率；然后采用Softmax回归处理多分类问题，在红酒产地预测中达到98%准确率。实验详细记录了模型实现过程，包括特征处理、模型训练、性能评估（准确率、精确率、召回率、ROC

本次实验围绕支持向量机(SVM)算法展开四个任务：1) 实现山鸢尾二分类任务，通过线性SVM算法构建决策边界；2) 采用带核函数的SMO算法处理变色鸢尾非线性分类问题；3) 应用软间隔SVM解决弗吉尼亚鸢尾分类，测试准确率达95%；4) 基于1850维面部特征，构建SVM模型实现7位政治家的精准识别(准确率100%)。实验完整实现了SVM的核心算法，包括线性/非线性分类、软间隔处理及核函数应用，并

本实验围绕回归算法展开实践，包含四个任务：1)使用正规方程实现房价预测线性回归模型；2)采用10次多项式回归拟合平面数据点；3)运用岭回归解决多项式过拟合问题，分析不同正则化参数的影响；4)基于糖尿病数据集建立线性预测模型。实验涉及算法实现、模型评估（MSE、R2）、特征处理及结果可视化，通过对比不同回归方法验证了正则化对模型泛化能力的提升效果，并输出了糖尿病预测的回归方程。

本次实验围绕支持向量机(SVM)算法展开四个任务：1) 实现山鸢尾二分类任务，通过线性SVM算法构建决策边界；2) 采用带核函数的SMO算法处理变色鸢尾非线性分类问题；3) 应用软间隔SVM解决弗吉尼亚鸢尾分类，测试准确率达95%；4) 基于1850维面部特征，构建SVM模型实现7位政治家的精准识别(准确率100%)。实验完整实现了SVM的核心算法，包括线性/非线性分类、软间隔处理及核函数应用，并

本文介绍了人工智能的基础概念与发展历程。第一章首先定义人工智能是模拟人类智能的技术科学，列举了新闻推荐、商品推送等日常应用。随后概述了人工智能从20世纪40年代至今的三次发展浪潮。最后重点阐述了图像识别、语音识别、虚拟助理、自然语言处理和智能机器人等五大应用领域，展现了AI技术在医疗、安防、家居等场景中的广泛运用。

本实验围绕回归算法展开实践，包含四个任务：1)使用正规方程实现房价预测线性回归模型；2)采用10次多项式回归拟合平面数据点；3)运用岭回归解决多项式过拟合问题，分析不同正则化参数的影响；4)基于糖尿病数据集建立线性预测模型。实验涉及算法实现、模型评估（MSE、R2）、特征处理及结果可视化，通过对比不同回归方法验证了正则化对模型泛化能力的提升效果，并输出了糖尿病预测的回归方程。