1）贴上视频学习笔记，要求真实，不要抄袭，可以手写拍照。
2）用自己的话总结“梯度”，“梯度下降”和“贝叶斯定理”，可以word编辑，可做思维导图，可以手写拍照，要求言简意赅、排版整洁。
梯度——在向量微积分中，标量场的梯度是一个向量场。标量场中某一点上的梯度指向标量场增长最快的方向，梯度的长度是这个最大的变化率。更严格的说，从欧几里得空间Rn到R的函数的梯度是在Rn某一点最佳的线性近似。在这个意义上，梯度是雅可比矩阵的一个特殊情况。在单变量的实值函数的情况，梯度只是导数，或者，对于一个线性函数，也就是线的斜率。用于斜度，也就是一个曲面沿着给定方向的倾斜程度，梯度的数值有时也被称为梯度。
梯度下降——梯度下降是迭代法的一种，在求解函数的最小损失值时，可以通过梯度下降法进行一步步迭代运算求解，得到最小化的损失函数和模型参数值。梯度下降算法是一种非常经典的求极小值的算法，比如在线性回归里我们可以用最小二乘法去解析最优解。梯度下降算法去优化线性回归的损失函数，完全就可以不用考虑多重共线性带来的问题。梯度下降的效率将远高于去解析标准方程的逆矩阵。
贝叶斯定理——关于随机事件AB的条件概率，即在B发生的情况下，A发生的可能性。贝叶斯定理是关于随机事件A和B的条件概率（或边缘概率）的一则定理。公式：
