一、回顾线性回归：线性回归：【每日一更】＜吴恩达-机器学习＞单变量的线性回归&认识梯度下降_故里的博客-CSDN博客一、单变量线性回归 - Linear regession with one variable:Supervised Learning: Gives the "right answer" for each example in the data.Regression Probl

目录一、手写数字识别概述：二、Input and Output：三、入门案例-简单数据训练：1.数据集的准备：一、手写数字识别概述：数据集：MNIST使用灰度图片处理，得到一个28行28列1（标识颜色值，255表示纯黑，0表示纯白）二、Input and Output：one-hot编码（独热编码）：Regression VS Classification激活函数：Loss损失函数：三、入门案例-

目录一、机器学习概述 - What is machine learning ?：二、机器学习分类 - Machine learning algorithms：1.监督学习 - Supervised learning：2.无监督学习 - Unsupervised learning:Cocktail party problem algorithm:一、机器学习概述 - What is machine

目录一、人工智能领域概述：1.机器学习概述：2.机器学习问题：3.机器学习种类：4.基于实例的学习和基于模型的学习：二、机器学习的一般过程：数据处理：机器学习：业务运维：三、：机器学习的典型应用：四、机器学习的基本问题：一、人工智能领域概述：1.机器学习概述：机器学习是一门能够让编程计算机从数据中学习的计算机科学。一个计算机程序在完成任务T之后，获取经验E，其表现效果为P，如果任务T的性能表现，也

进入Releases 中下载 exe 执行文件（Lua 解释器安装包），双击下一步安装！配置Lua 解释器的地址（注意是 luaXXX.exe!Lua 解释器 下载地址。

对，没错又是我，这次带来的是.NET（C#）开发环境 Rider，拒绝Visual Studio xxx 从我做起......（手动狗头），作为一个习惯了使用IDEA开发Java的人来说，让我去用Visual Studio xxx 确实有些头疼（UI确实不讨喜，作为一个颜控......懂的都懂，不懂的就不懂......）。VS code呢？啊这个......种种原因，所以我选择了Rider 作为C

目录一、手写数字识别概述：二、Input and Output：三、入门案例-简单数据训练：1.数据集的准备：一、手写数字识别概述：数据集：MNIST使用灰度图片处理，得到一个28行28列1（标识颜色值，255表示纯黑，0表示纯白）二、Input and Output：one-hot编码（独热编码）：Regression VS Classification激活函数：Loss损失函数：三、入门案例-

目录一、装饰器的本质：函数闭包（function closure）：二、装饰器使用方法：保留函数参数和返回值的函数闭包：三、多个装饰器的执行顺序：四、创建带参数的装饰器：一、装饰器的本质：装饰器（decorator）本质是函数闭包（function closure）的语法糖（Syntactic sugar）函数闭包（function closure）：函数闭包是函数式语言（函数是一等公民，可作为变

目录一、设置前提：二、设置过程：一、设置前提：该设置的前提是您已经完成了Anaconda安装，以及完成了Pycharm的安装。二、设置过程：打开setting设置：选择Python Interpreter：添加Python Interpreter：设置本地Anaconda的Python解释器，这里的解释器不是Anaconda创建的虚拟环境中的Python解释器，是直接在Anaconda安装目录中的

目录一、线性回归的模型函数和损失函数：二、线性回归的算法：1.梯度下降法：2.最小二乘法：三、线性回归的推广：多项式回归四、线性回归的推广：广义线性回归五、线性回归的正则化：一、线性回归的模型函数和损失函数：二、线性回归的算法：1.梯度下降法：【机器学习】＜刘建平Pinard老师博客学习记录＞梯度下降（Gradient Descent）_故里的博客-CSDN博客目录一、梯度：二、梯度上升和梯度下降