通过sklearn中的波士顿房价数据，实现对于数据读取、数据处理、模型训练，从而加强对于线性回归的认识。通过波士顿房价预测案例，学习了线性回归相关API的调用，加强了对于线性回归的认识。

有11类食物，其中带标签的有28011张，无标签输出有6786张，验证集3011张，测试集有3347张。带标签的数据训练为监督学习，不带标签的数据训练为半监督学习。由上文可以训练出一个模型，用于食物分类。对于无标签的数据，可以待模型输入数据X，得到输出值predY概率超过0.99时，就将此数据打上此时的标签Y，并用作训练集。

加强了对于对于聚类算法评价指标的练习。

【前向过程】首先输入图片，然后经过若干次卷积得到特征，最后拉直，经过全连接求出预测值，有了预测值与真实值就可以算出loss。【反向过程】梯度回传，得到每一个卷积核上每一个权重的梯度，更新模型。

美国有40个州， 这四十个州呢 ，统计了连续三天的新冠阳性人数，和每天的一些社会特征，比如带口罩情况， 居家办公情况等等。现在有一群人比较坏，把第三天的数据遮住了，我们就要用前两天的情况以及第三天的特征，来预测第三天的阳性人数。但幸好的是，我们还是有一些数据可以作为参考的，就是我们的训练集。用训练集训练模型并且由训练的模型预测第三天阳性人数。本项目在最基础的回归模型上，增加了正则化和相关系数两种优

bert就是一个特征提取器，他就是预训练模型，我们可以通过迁移学习，将bert拿来训练自己想要的模型。

【前向过程】首先输入图片，然后经过若干次卷积得到特征，最后拉直，经过全连接求出预测值，有了预测值与真实值就可以算出loss。【反向过程】梯度回传，得到每一个卷积核上每一个权重的梯度，更新模型。

【前向过程】首先输入图片，然后经过若干次卷积得到特征，最后拉直，经过全连接求出预测值，有了预测值与真实值就可以算出loss。【反向过程】梯度回传，得到每一个卷积核上每一个权重的梯度，更新模型。

假设影响一个人恋爱次数的因素有：X1外貌，X2性格，X3财富，X4内涵其中每个因素所占权值不同，分别为：W1， W2，W3 ，W4偏差为b模型可以看作是y = wi * xi + b （i = 1、2、3、4）也就是现给出一批输出X1,X2,X3,X4和y1，y2，y3，y4推测出真实的权值w1，w2，w3，w4以及偏差b。