负责人：王佳旭 课程设计人：王佳旭
【线性回归任务一】
#任务时间# 请于5月13日22:00前完成，逾期尚未打卡的会被清退。
学习视频内容：
观看李宏毅课程内容：P1、P2。 视频连接：https://www.bilibili.com/video/av35932863?from=search&seid=2134843831238226258学习打卡任务内容：
了解什么是Machine learning学习中心极限定理，学习正态分布，学习最大似然估计 推导回归Loss function学习损失函数与凸函数之间的关系了解全局最优和局部最优 学习导数，泰勒展开 推导梯度下降公式写出梯度下降的代码 学习L2-Norm，L1-Norm，L0-Norm 推导正则化公式说明为什么用L1-Norm代替L0-Norm学习为什么只对w/Θ做限制，不对b做限制学习任务说明：
建立账号或者简书等开源账号，将学习打卡任务写到或者简单等开源平台上未按时打卡这将会被清退打卡地点：李宏毅机器学习第七群打卡形式：Datawhale第7期-《李宏毅机器学习》作业统计 - Task1（请按顺序接龙）
作业链接： 1.王佳旭(昵称)——www.baidu.com (完成打卡学习链接](http://www.()) 2. 3. 4. …
参考内容： 李宏毅机器学习课程 Datawhale整理开源笔记《李宏毅机器学习》(现在未完成，只能先放出一点点，还请小伙伴多给点时间)
参考链接： 参考手写公式链接：在学习第二天我会公布(5.12) 参考代码链接：在学习第二天我会公布（5.12）
在第二天给出数学参考是因为：更多想把时间留给学习者，我所写的只是参考，希望大家有自己的想法
参考链接代码和数学：
参考数学.md
Batch Gradient Descent.ipynb
Datawhale开源笔记链接《李宏毅机器学习》： https://datawhalechina.github.io/Leeml-Book/#/chapter2/chapter2
中心极限定理：
n个独立同分布的随机变量之和的分布近似于正态分布，并且n越大，近似程度越好。
独立同分布下的中心极限定理：假设$X_i \overset{\text{iid}}{\sim} F ， 其 中 ，其中 ，其中\mathrm E[X_i] = \mu$, V a r ( X i ) = σ 2 \mathrm{Var(X_i)} = \sigma^2 Var(Xi)=σ2,并且方差有限不为0。则前n个变量之和的标准化变量： Y i ⋆ = X 1 + ⋯ + X n − n μ n σ Y_{i}^{\star} = \frac{X_1 + \cdots + X_n - n\mu}{\sqrt{n} \sigma} Yi⋆=n σX1+⋯+Xn−nμ的分布将随着 n → ∞ n \rightarrow \infty n→∞而收敛于标准正态分布。具体证明如下：
二项分布的正太近似（棣莫弗-拉普拉斯定理）独立不同分布下的中心极限定理