摘要：梯度下降是机器学习模型最小化损失函数的通用方法。其核心思想是沿梯度反方向迭代更新参数，梯度越大步长越大。学习率是关键超参数：太大会导致发散，太小则收敛慢。实际应用中可采用批量、随机或小批量梯度下降进行优化。文章通过C++代码示例演示了梯度下降的实现，并强调学习率调节和局部极值问题是主要挑战。理解梯度下降机制是掌握机器学习模型训练原理的基础。

本文全面介绍了K-Means聚类算法的原理与实现。该无监督学习算法通过交替进行「分配」和「更新」两步迭代（将点归到最近中心，再将中心移至簇质心），直至收敛。文章包含算法图解、时间复杂度分析（O(n·k·t)）、完整C++代码实现，并重点讨论了关键问题：如何选择K值（肘部法则）、初始值敏感性、球形假设局限性和数据归一化需求。K-Means以其简单高效著称，适用于球形分布且规模相近的簇，但需注意预处理

码路星球（我不慌–成长杂货铺，https://wobuhuang.com）的 KMP 可视化把主串、模式串逐字符对齐，匹配/失配变色，next 指引模式串跳转的过程逐帧展示，配代码逐行高亮。朴素匹配在失配时把模式串后移一位、主串指针回退，最坏 O(nm)。KMP 利用模式串自身的前缀信息，失配时不回退主串指针，达到 O(n+m)。的最长"相等前后缀"长度。失配时，模式串不必从头开始，而是跳到 ne