今天学习了第三讲：分类。
首先引入了初中知识，点到直线的距离，之后进一步上升到点到空间的距离，还给出了距离公式。
随后引入了最重要的梯度下降法，这种方法在下面被反复使用：
在大数据时代，要对每一个数据进行计算根本不现实，所以随机选取一个样本进行测试，所以更新参数只用一个样本梯度即随机梯度下降法，经过大佬们的证明这是科学的！而振幅与根号下学习率成正比
下面是概率论中学过的极大似然值的知识回归，有点忘了回头还要看一看：
随后提问什么是分类，对分类进行了定义，那么，如何分类呢？
介绍完三种算法，开始引入新概念，相互结合。
概率与上面式子中的f有关，还和图中的点有关，离得越近，概率越接近1。
这是训练集的矩阵表示：
其中，f通过x的映射得到。
关于感知机和优化中，感知错误时在式子前面加一个负号。
下面是一个小例子，6次成功，成功将两种数据分开，但是并不太好，因为离数据集太近了，间隔，离数据集越远越好
在这里面有两个优化目标，一个是第一个是让
的平方和最小，第二个是让惩罚函数
最小。
核技巧是低纬向高纬的映射，它的好处是映射之后计算量还是低纬的计算量。
之后又引入一些公式：
用梯度下降法去更新函数：
下面是损失函数的对比：
然后是分类问题的评价指标和一些Python中的常用函数、工具：
之后开始了实例环节，又让我见识了很多Python的函数，比如生成二分类数据集的make_classification()和接受用户输入的perception()等等！课程结束。