机器学习中神经网络的python实现代码及详细解释（基于jupyter）

资源特点：基于北京交通大学《机器学习》课程中，神经网络部分的课程作业，一共有六个案例 1.1 使用 sklearn 的多层感知机 1.2 神经网络：线性回 1.3 神经网络：对数几率回归 1.4 神经网络：三层感知机 1.5 实现 n 层感知机 1.6 设计一种改良的优化算法 每个案例配有详细的代码和解释，都能测试通过。 一、实验内容 1.1 使用 sklearn 的多层感知机 使用 sklearn 自带的手写数字数据集： 1. 学习标准化处理的方法 2. 使用 sklearn.neural_network.MLPClassifier 完成手写数字分类任务 3. 绘制学习率为 3，1，0.1，0.01 训练集损失函数的变化曲线 1.2 神经网络：线性回归 1. 学会梯度下降的基本思想 2. 学会使用梯度下降求解线性回归 3. 了解标准化处理的效果 1.3 神经网络：对数几率回归 1. 完成对数几率回归 2. 使用梯度下降求解模型参数 3. 绘制模型损失值的变化曲线 4. 调整学习率和迭代轮数，观察损失值曲线的变化 5. 按照给定的学习率和迭代轮数，初始化新的参数，绘制新模型在训练集和测