1. Tiêu đề một
Đây là lịch làm việc đầu tiên trong bài viết. Phần kế tiếp sẽ hiển thị trong tiêu đề với đề mục số 2.
2. Tiêu đề hai
Hello tiêu đề hai. Sau đây ta sẽ tiếp tục đến với tiêu đề số 3 nhé. Nhanh thôi. Vì tôi sẽ không làm bạn mất thêm thời gian nên đề tiêu đề số 3 sẽ bắt đầu ngay sau đây. Vâng, không chờ đợi thêm 1 giây nào nữa thì tiêu đề 3 sẽ được bắt đầu như chúng ta dự định. Và sau đây là sự bắt đầu của tiêu đề 3, các bạn sẽ không còn phải chờ đợi thêm một giây nào nữa rồi. À, cảm ơn vì bạn đã cố gắng theo dõi đến phút giây này. Không phụ sự kiên nhẫn đó, tiêu đề 3, phần ngay tiếp sau đây là xuất hiện trong sự vui mừng của đọc giả. Đặc biệt, sau khi tiêu đề 3 bắt đầu tôi sẽ nói về một chủ đề rất hay mà tôi sẽ bàn sau. Ok. Và đây là tiêu đề 3.
3. Tiêu đề 3
Trong tiêu đề 3 chúng ta sẽ có 3 phần tiêu đề con như sau:
a. Tiêu đề con a
Bạn thấy tiêu đề nhỏ này trong toc (table of content) chứ?
b. Tiêu đề con b
Tiêu đề con cuối cùng, bạn có thấy nó trong toc?
Đây là một bức ảnh chốt bài của tiêu đề 3 
4. Phần này thử công thức toán nhé
Công thức tổng độ lỗi bình phương: $J(w)=\dfrac{1}{2}\sum_{i=1}^N(y^{(i)}-z^{(i)})^2$
Mục nhỏ dành cho code
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
import numpy as np
class Perceptron(object):
"""Perceptron classifier
Parameters
-----------
eta: float
Learning rate (0 < eta < 1)
n_iter: int
Passes over the training dataset
random_state: int
Random number generator seed for reproducible
Attributes
-----------
w_: 1d-array
Weights after fitting
errors_: list
Number of misclassification in each epoch
"""
def __init__(self, eta=0.01, n_iter=50, random_state=1):
self.eta = eta
self.n_iter = n_iter
self.random_state = random_state
def fit(self, X, y):
"""Fit training data.
Parameters
-----------
X: array-like, shape = [n_examples, n_features]
Training vectors, where n_examples is the number of examples
n_features is the number of features
y: array-like, shape = [n_examples]
Target values
Returns
--------
self: object
"""
rgen = np.random.RandomState(self.random_state)
self.w_ = rgen.normal(loc=0, scale=0.01, size=1+ X.shape[1])
self.errors_ = []
for _ in range(self.n_iter):
errors = 0
for xi, target in zip(X, y):
update = self.eta * (target - self.predict(xi))
self.w_[1:] += update * xi
self.w_[0] += update
errors += int(update != 0)
self.errors_.append(errorso)
return self
def net_input(self, X):
"""Calculate net input"""
return np.dot(X, self.w_[1:]) + self.w_[0]
def predict(self, X):
"""Return class label after unit step"""
return np.where(self.net_input(X) >= 0, 1, -1)