Practices-about-Maching-learning:在此存储库中，我学习了一些有关行进学习的技术，例如迭代搜索优化...

进修学习实践 实践1 我已经通过几个样本学习了线性回归和最优的迭代搜索 第1部分 使用这些功能进行最优的迭代搜索 梯度下降实施 Gadient Descent算法是一种通用的迭代优化技术，可以达到局部最优。 为此，我需要一个小的常数作为学习率，用η表示。 我们必须小心使用此常数，因为如果常数太大，则可能无法达到最佳局部，如果常数太小，则可能会达到最佳局部，但是这会带来很大的计算成本。 因此，最佳学习率将取决于我们亏损状况的政策，而政策又取决于数据集。 在数学上解释算法之前，除了学习率之外，还需要一些值初始值W0，这将是我们的出发点和我们想要最小化的函数。 通用方程为： 其中Ein / Wj是微分函数的梯度。 对N中j的所有值同时执行此操作，其中N是一组整数。 并重复应用相同的计算，直到函数的成本无法再最小化或超过X的迭代次数为止，因为它可能找不到最小成本函数。 实现伪代码