登录
首页 » Python » 梯度下降求解逻辑回归(.ipynb)

梯度下降求解逻辑回归(.ipynb)

于 2020-01-19 发布
0 273
下载积分: 1 下载次数: 1

代码说明:

梯度下降求解逻辑回归(.ipynb)

下载说明:请别用迅雷下载,失败请重下,重下不扣分!

发表评论

0 个回复

  • 《Python从小白到大牛》源代码
    本书是一部系统论述Python编程语言、OOP编程思想以及函数式编程思想的立体化教程(含纸质图书、电子书、教学课件、源代码与视频教程)。为便于读者高效学习,快速掌握Python编程方法。本书作者精心制作了电子书、完整的教学课件、完整的源代码与丰富的配套视频教程以及在线答疑服务等内容。 本篇包括8章内容,系统介绍了Python语言的基础知识。内容包括Python语言历史,Python语言的特点,开发环境的搭建,创建第一个Python程序,Python语法基础,Python编码规范,数据类型,运算符和控制语句,Python数据结构,函数式编程。通过本篇的学习,读者可以全面了解Python的发展及特点,详细了解Python的语法规范,初步掌握Python程序设计的基本方法。 第1章 开篇综述 第2章 开发环境搭建 第3章 第一个Python程序 第4章 Python语法基础 第5章 Python编码规范 第6章 数据类型 第7章 运算符 第8章 控制语句 第9章 数据结构 第10章 函数式编程
    2021-05-06下载
    积分:1
  • 伟哥的python私房菜(中国程序员).epub
    前有《鸟哥的Linux私房菜》,今有伟哥的python私房菜。伟哥对鸟哥,都是不可或缺的好基友,一天一粒,保证你无限活力。 Python具有易读、易学、易维护、可移植性、跨平台等特点,在最近几年深受欢迎而迅速崛起。python属于所想即所得的语言,实现功能简单浅显易懂。但是Python的创立者有意设计了限制性很强的语法,使得不好的编程习惯都不能通过编译,本书主要是笔者在实践中所遇到的经常使用的技巧性文章,希望对读者有所帮助。 作者:菜鸟飞不动链接:https://www.jianshu.com/p/980d4a399d71来源:简书著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
    2020-06-18下载
    积分:1
  • python串口通信
    【实例简介】
    2021-08-26 00:31:11下载
    积分:1
  • 学生管理系统python源码
    Python版本的学生管理系统 管理端账号:000密码:000学生端账号:该生学号密码:1111111、密码均为初始密码,可以随后在系统中自行修改。2、所有操作完成之后必须点退出系统,否则无法保存文件。3、未分配学号的学生无法登陆系统,需先由管理端分配学号之后再登陆系统
    2020-12-11下载
    积分:1
  • python打印玫瑰花
    python打印玫瑰花
    2020-12-31 15:38:59下载
    积分:1
  • 从图像数据集读取图片并拼接成大图
    从图像数据集读取图片并拼接成大图
    2020-05-02下载
    积分:1
  • python强化学习(于matplotlib)
    python强化学习(基于matplotlib)
    2020-02-23下载
    积分:1
  • python3教程
    【实例简介】
    2021-08-11 00:30:57下载
    积分:1
  • snap7连接PLC
    需要安装snap7,命令: pip install python-snap7
    2020-12-09下载
    积分:1
  • LSTM入门正弦波序列预测
    LSTM入门学习,正弦波序列预测         for i, input_t in enumerate(input.chunk(input.size(1), dim=1)):             h_t, c_t = self.lstm1(input_t, (h_t, c_t))             h_t2, c_t2 = self.lstm2(h_t, (h_t2, c_t2))             output = self.linear(h_t2)  # output.shape:[batch,1]             outputs = [output]  # outputs.shape:[[batch,1],...[batch,1]], list composed of n [batch,1],         for i in range(future):  # if we should predict the future             h_t, c_t = self.lstm1(output, (h_t, c_t))             h_t2, c_t2 = self.lstm2(h_t, (h_t2, c_t2))             output = self.linear(h_t2)  # output.shape:[batch,1]             outputs = [output]  # outputs.shape:[[batch,1],...[batch,1]], list composed of n [batch,1],         outputs = torch.stack(outputs, 1).squeeze(2)  # shape after stack:[batch, n, 1], shape after squeeze: [batch,n]         return outputs
    2021-06-30 00:31:01下载
    积分:1
  • 696516资源总数
  • 106914会员总数
  • 0今日下载