本次的机器学习代写案例为澳洲本科人工智能专业的一门核心课程。在考察了这门课程基本的机器学习技能同时，一些典型的概念使用，如backpropagation等，也得以被此次作业考察。如大家需要机器学习代写、深度学习代写、人工智能专业代写、以及相关的Python任务、Jupyter任务代写，欢迎联系我们！

COMP9417 – 机器学习

作业一：正则化优化与梯度方法（Regularized Optimization & Gradient Methods）

简介

本次作业将探索基于梯度的优化方法。过去几十年里，梯度算法在机器学习的发展中起到了关键作用。其中最著名的例子就是用于深度学习的反向传播（backpropagation）算法，实际上它是梯度下降（gradient descent）的一种特例。本作业首先将在一个无数据的确定性问题上从零实现梯度下降，然后将该实现扩展至解决一个真实的回归问题。

总分：30分

各小题分数如下：

• Question 1 a): 2分
• Question 1 b): 4分
• Question 1 c): 2分
• Question 1 d): 2分
• Question 1 e): 6分
• Question 1 f): 6分
• Question 1 g): 4分
• Question 1 h): 2分
• Question 1 i): 2分

提交要求

• 提交一个 PDF 文件，其中包含每道题的文字解答与图形（plot）。部分题目要求提供代码截图，仅在明确要求时附上截图。
• 提交一个 .zip 文件，包含 .py 源码文件，代码应与报告中一致。
• 不接受 Jupyter Notebook 提交（提交 Notebook 将直接记为零分），但可以用它开发后将代码复制至 .py 文件中。
• 请保持格式整洁清晰，建议每道题新起一页。
• 不遵守上述规范将导致扣分。

作业规范

• 独立完成，严禁抄袭。允许进行一般性问题讨论，但必须独立书写解答。如有讨论，请在报告中注明讨论对象姓名及 zID。
• 禁止使用符号计算工具如 SymPy 完成推导题（如有使用将直接该题零分处理）。
• 课程团队会监控 Chegg、StackExchange 等论坛，任何题目上传行为将按学术不端处理。

提交方式及截止时间

• 截止日期：2025年6月20日（周五）下午5点（第4周）
• 仅限通过 Moodle 提交，不接受其他渠道。
• 迟交处理：每迟交一天，最高得分扣除 5%。迟交超过5天则记为0分。

说明样例：

问题1：梯度优化（Gradient Based Optimization）

更新规则形式如下： x(k+1)=x(k)−αk∇f(x(k)),k=0,1,2,…x^{(k+1)} = x^{(k)} – \alpha_k \nabla f(x^{(k)}),\quad k=0,1,2,\dotsx(k+1)=x(k)−αk​∇f(x(k)),k=0,1,2,…

以下为各小题任务说明，包括：

• 推导梯度更新公式
• 实现 batch GD 与 SGD
• 使用不同学习率进行对比
• 绘制损失函数收敛曲线
• 推导坐标更新法（Coordinate Descent）封闭解
• 分析不同优化方法在收敛速度与稳定性方面的表现

代码文件：你将用到的代码已在 code_student.py 中提供初始框架。你需要完成剩余部分并保存为 .py 文件。

如需进一步说明请查看 Moodle 课程论坛或公告栏。如需发帖提问，请先自行查阅已有内容，仅发布澄清类问题。

Page 3 机器学习代写要求

机器学习代写要求 Page 4

机器学习作业代写 Page 5

如大家需要机器学习作业代写、编程代写、AI人工智能作业代写、深度学习代写、NLP(自然语言处理)代写、CS计算机科学作业代做，欢迎联系我们！我们的人工智能和计算机科学老师均于QS300前学校硕博士毕业，使用TriadEssay的代写服务，是获得最专业的机器学习作业、人工智能作业服务支持！

点击右边微信图标，扫码，马上获得属于您的机器学习作业代写报价！