思维导图：14.1试写出分裂聚类算法，自上而下地对数据进行聚类，并给出其算法复杂度。i. 计算n个样本两两之间的距离，并将所有样本看作一个类，将样本间最大距离作为类直径；ii. 对于类直径最大的类，将其中相距最远，也就是距离为类直径的两个样本分成两个新类，该类其他样本就近（相对于那两个选中的样本）归于两个类之一；iii. 如果类别个数达到停止条件（预设的分类书）则停止，否则回到ii.步骤。模型复杂

习题8.1import numpy as npdata_array = np.array([[0, 1, 3],[0, 3, 1],[1, 2, 3],[1, 1, 3],[1, 2, 3],[0, 1, 2],[

习题8.1import numpy as npdata_array = np.array([[0, 1, 3],[0, 3, 1],[1, 2, 3],[1, 1, 3],[1, 2, 3],[0, 1, 2],[

01aimport numpy as npimport src.util as utildef calc_grad(X, Y, theta):"""Compute the gradient of the loss with respect to theta."""m, n = X.shapemargins = Y * X.dot(theta)probs = 1. / (1 + np.exp(mar

1. Neural Networks: MNIST image classificationimport numpy as npimport matplotlib.pyplot as pltimport mathMAX_POOL_SIZE = 5CONVOLUTION_SIZE = 4CONVOLUTION_FILTERS = 2def forward_softmax(x):"""Compute

第九章思维导图总结：import numpy as np9.1y = np.array([[1, 1, 0, 1, 0, 0, 1, 0, 1, 1]]).Tm = y.shape[0]theta = np.array([[0.46, 0.55, 0.67]]).T# initializationfor i in range(100):theta_old = theta.copy()q_theta

下图引自：https://segmentfault.com/q/1010000016667038用比较精炼的话概括就是：输入通道指的是输入了几个二维信息，也就是很直观的rgb图有r，g，b三个通道，这决定了卷积核的通道数，即输入图像的通道数决定了卷积核通道数；（图片中，第一列有三个矩阵，也就是输入通道为3，所以后面，第二列和第三列，也就是两个卷积核，它们也都有三个矩阵，即卷积核数目也为3。）输出通

第九章思维导图总结：import numpy as np9.1y = np.array([[1, 1, 0, 1, 0, 0, 1, 0, 1, 1]]).Tm = y.shape[0]theta = np.array([[0.46, 0.55, 0.67]]).T# initializationfor i in range(100):theta_old = theta.copy()q_theta

代码主要参考《python机器学习及实践》一书分类学习Logistics 回归 和 SGD分类器模型import pandas as pdimport numpy as npcolumn_names = ['Sample code number', 'Clump Thickness', 'Uniformity of Cell Size','Uniformity of Cell Shape', 'M

6. Reinforcement Learning: The inverted pendulum首先写出simulator（作业中已提供，直接复制过来）：import matplotlib.pyplot as pltimport matplotlib.patches as patchesfrom math import sin, cos, piclass CartPole:def __init__