1．目的 通过设计、编制、调试一个语法及语义分析程序，加深对语法及语义分析原理的理解。 2.设计内容及要求 WHILE〈布尔表达式〉DO〈赋值语句〉 其中 （1）学号29至32的同学按顺序分别选择递归下降法、LL（1）、算符优先分析法（或简单优先法）、LR法完成以上任务，中间代码选用四元式。 （2）如1题写出符合分析方法要求的文法，给出分析方法的思想，完成分析程序设计。 （3）编制好分析程序后，设计若干用例，上机测试并通过所设计的分析程序。

使用神经网络进行样本训练，要实现随机梯度下降算法。这里我根据麦子学院彭亮老师的讲解，总结如下，（神经网络的结构在另一篇博客中已经定义）： def SGD(self, training_data, epochs, mini_batch_size, eta, test_data=None): if test_data: n_test = len(test_data)#有多少个测试集 n = len(training_data) for j in xrange(epochs): random.shuffle(training_data) mini

这篇文章将按照时间线详细讲解各类深度学习优化器，包括常用与不常用的（动量、NAG、adam、Adagrad、adadelta、RMSprop、adaMax、Nadam、AMSGrad）本文档将对每个优化器进行更加清晰的讲解，包括数学表达式推导和现实含义，所以可以更容易理解每一个优化器，对于深度学习小白来说也可以很容易看懂

1、使用递归下降分析算法分析表达式文法：exp ::= exp addop term | termaddop ::= + | -term ::= term mulop factor | factormulop ::= * | /factor ::= (exp) | number其中number可以是多位的十进制数字串（整数即可），因此这里还需要一个小的词法分析器来得到number的值。2、该词法分析器以子程序形式出现，当需要进行词法分析时进行调用；3、能够识别正确和错误的表达式；4、在进行语法分析的过程中，计算输入表达式的值。

通过python程序，采用牛顿法和梯度下降法求解多元一次函数的线性回归方程 梯度下降法原理 梯度就是表示某一函数在该点处的方向导数沿着该方向取得较大值，即函数在当前位置的导数 Δ=df(Ɵ)÷d(Ɵ) 上式中，Ɵ是自变量，f(Ɵ)是关于Ɵ的函数，Ɵ表示梯度 简单来说Δ就是函数相对于自变量Ɵ的求导 梯度下降算法公式： Ɵ=Ɵ0-Ƞ*Δf(Ɵ0） 其中Ƞ是学习因子，由我们自己定义，Ɵ即为数据更新后下一个Ɵ0 f(Ɵ)=f(Ɵ0)+(Ɵ-Ɵ0)*Δf(Ɵ0） 通过该公示不断地进行数据迭代，就可以得到最终的数据 梯度下降法求解二元一次线性回归方程 import pandas as pd import

房地产行业土地市场月报：9月土地成交建面同比下降28%，增速较过去两月基本持平，结构上一二线因集中供地增速转正，三四线继续下行

关于梯度下降与逻辑回归，我在之前的文章中已经写过了公式推导，本文中将用python代码进行实现并做简单的实验 机器学习入门 — 梯度下降原理 机器学习入门 — 逻辑回归算法 案例概述 在这里我们将建立一个逻辑回归模型来预测一个学生是否被大学录取。此大学会根据两次考试的结果来决定每个申请人的录取机会。大学里有以前的申请人的历史数据，可以用它作为逻辑回归的训练集。对于每一个学生例子，有两个考试的申请人的分数和录取决定。为了做到这一点，我们将建立一个分类模型，根据考试成绩估计入学概率。 数据准备 import os path = 'data' + os.sep + 'LogiReg_data.txt

编译原理语法分析器，含有源代码，递归下降分析器,LL(1)分析法实验报告

完整代码，可直接运行

解析解法和梯度下降法实现线性回归预测2014年南京房价.zip